arXiv stat.ML· William Laplante, Yuga Hikida, Charita Dellaporta, Fran\c{c}ois-Xavier Briol, Ayush Bharti·· 2 小时前AI 评分31
基于分布鲁棒训练的保守神经后验估计
Conservative neural posterior estimation via distributionally robust training
AI 导读
研究者提出 DRO-NPE 方法，将标准神经后验估计目标替换为 Wasserstein 模糊集上的最差情况损失，以抑制低模拟预算下的过拟合与后验过度自信。该方法支持并行计算，可直接与标准标准化流（normalising flows）集成。在基准 SBI 任务中，DRO-NPE 缩小了经验与总体损失差距，持续提升了覆盖度与校准可靠性。
来源：arXiv stat.ML · arxiv.org