Быстрое калибрование генерализированных постеров с помощью перевеса Дирихлет

arXiv:2610.35187v1 Annualce Type: New Humber Bayesian Plainment: Хотя обобщенный Байезийский вывод предлагает принципиальный подход к количественной оценке факторов неопределенности в рамках общих функций потерь, его практическая эффективность зависит от выбора коэффициента обучения. Всеобщая задняя калибровка, которая выбирает скорость обучения таким образом, что полученные в результате этого надежные наборы достигают номинальной частоты охвата, является вычислительно интенсивной, поскольку она опирается на повторяющиеся запчасти при отборе проб между наборами данных по ботинкам и коэффициентами отбора кандидатов. Для преодоления этой практической трудности мы предлагаем метод быстрой калибровки, который сочетает в себе проблемы на обуви с использованием дирихлета и важные выборки для оценки охвата при одновременном сокращении необходимости повторного отбора проб задний ряд. Кроме того, мы расширяем рамки до иерархических моделей, в рамках которых коэффициенты обучения по конкретным группам калибруются и стабилизируются путем сокращения. Примерные примеры с использованием квантиловой регрессии, вспомогательных векторных машин и иерархической системы Huber r