Компьютерная наука > Машинное обучение [представлено 20 июня 2026 (v1), последнее пересмотренное резюме от 8 октября 2026 года (эта версия, v2)) Название: Neural Conjugate Agregation: Identable Un-Sensor Regression под гетерогенным сенсором Bias View PDF HTML (экспериментальный анализ): Мы изучаем синтез данных на основе регрессии в условиях неопределенности, где имеются многочисленные шумные и предвзятые источники измерения, но в ходе подготовки отсутствуют знаки наземного права. Такая регулировка возникает в сетях датчиков, имитационных вздохах и системах научного мониторинга, где надзор является дорогостоящим или невозможным. Мы предлагаем модель Агрегирования Neural Conjugate (NCAM), иерархическую байесианскую систему, которая сочетает нейронные сети с супружескими гассиями для неконтролируемого синтеза из нескольких источников. НКАМ изучает отклонения и надежность в зависимости от источника, обусловленные контекстуальными ковариатами, что дает аналитически управляемую заднюю часть над скрытой целевой переменной с декомпозицией эпистемической и алеаторной неопределенностью. Структурная неидентификация решается путем крепления датчиков и регулирования отклонений, что позволяет обеспечить стабильную и интерпретируемую заднюю агрегацию. Чтобы дополнить байезскую неопределенность гарантиями конечного образца, мы интегрировали местные адаптивные прогнозы в соответствии с Монте-Карло, производя гетеросседные прогностические интервалы с гарантиями охвата при предположениях об…
Агрегирование нервов: Идентифицируемое, неконтролируемое многосенсорное регрессие под гетерогенным сенсором Биас
arXiv:2606.22200v2 Аннонс Тип: заменить перекрестное резюме: мы изучаем регрессионный синтез данных в условиях неуверенности, где имеются многочисленные шумные и предвзятые источники измерения, но наземная правда отсутствует во время обучения. Такая регулировка возникает в сетях датчиков, имитационных вздохах и системах научного мониторинга, где надзор является дорогостоящим или невозможным. Мы предлагаем модель Агрегирования Neural Conjugate (NCAM), иерархическую байесианскую систему, которая сочетает нейронные сети с супружескими гассиями для неконтролируемого синтеза из нескольких источников. НКАМ изучает отклонения и надежность в зависимости от источника, обусловленные контекстуальными ковариатами, что дает аналитически управляемую заднюю часть над скрытой целевой переменной с декомпозицией эпистемической и алеаторной неопределенностью. Структурная неидентификация решается путем крепления датчиков и регулирования отклонений, что позволяет обеспечить стабильную и интерпретируемую заднюю агрегацию. В дополнение к байесовской неопределенности с помощью окончательных гарантий,
