Компьютерные науки > Искусственный интеллект [представлен 27 октября 2026 года] Название: Rényi-Regularized Flow-Stronical Projection for Bayesian Calibration View Abstract:Variational Opinional with Re нормализующие потоки обеспечивает гибкое заднее приближение к байезийской модели калибровки, но борется с тем, что задняя часть имеет несколько режимов, разделённых регионами низкой вероятной массы. Мы изучаем это поведение в двухпараметрном двойном эксперименте и урегулируем цель изменения. В соответствии с ошибками наблюдения Гаусса и предыдущим методом гауссии соответствующая цель сведения к минимуму заключается в ожидаемой цели калибровки Тихонова за вычетом дифференциальной энтропии примерного распределения. Однако ожидаемый термин Тихонов предпочитает концентрацию вблизи одного из режимов, в то время как энтропия максимизация не гарантирует мультимодализм. Мы введем термин регуляризации, основанный на различиях между Renyi и поощряющий приблизительное последствие для охвата предыдущей поддержки. В случае подсоединенного бимодального режима приближение потока представляет собой оба режима; в случае четко дифференцированных режимов расход и гауссианская смесь часто пропускают один режим. Благодаря введению системы регулирования доля, близкая к срыву, сокращается с 50% до 25%. Несмотря на то, что упорядочение улучшает охват режима в рамках этого эксперимента, оно меняет байесовскую цель изменения, вводит компромисс по аппроксимации точности и не обеспечивает общего решения…
R\ 'enyi-Regularized Flow-Solutional Projects for Bayesian Callance
arXiv:2610.37169v1 Annuate Type: New Humber: Verographical Objective with Re нормализующие потоки представляет собой гибкое априориорное приближение для калибровки байезийской модели, но борется с трудностями в тех случаях, когда задняя часть имеет несколько режимов, разделенных по регионам низкой вероятностной массы. Мы изучаем это поведение в двухпараметрном двойном эксперименте и урегулируем цель изменения. В соответствии с ошибками наблюдения Гаусса и предыдущим методом гауссии соответствующая цель сведения к минимуму заключается в ожидаемой цели калибровки Тихонова за вычетом дифференциальной энтропии примерного распределения. Однако ожидаемый термин Тихонов предпочитает концентрацию вблизи одного из режимов, в то время как энтропия максимизация не гарантирует мультимодализм. Мы введем термин регуляризации, основанный на разнице R\enyi, который поощряет примерную заднюю сторону для охвата предыдущей поддержки. В случае подсоединенного бимодального режима приближение потока представляет собой оба режима; в случае хорошо отличающихся режимов - поток и гауссианская смесь фрек.
