待验证50% 置信事实精确时间
SelectPFN 是一种基于先验数据拟合网络（PFN）的模型，能够联合执行贝叶斯变量选择与预测，并专为稀疏非线性回归任务设计；它在单次前向传播中不仅给出预测结果，还返回每个变量的后验包含概率。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
SelectPFN：一次前向传播完成贝叶斯变量选择的稀疏非线性回归新方法
rss2026/10/15
涉及实体
相关事实
待验证SelectPFN 能在约 0.04 秒内完成预测，根本原因在于 PFN 的摊销推断特性，将逐数据集推断成本摊销到预训练阶段。75% 相似待验证先验数据拟合网络（PFN）的核心思路是通过在大量合成的先验数据上进行预训练，让神经网络直接学会近似贝叶斯后验预测分布（PPD）72% 相似待验证实证结果表明PFN通常能够很好地复现目标后验预测分布70% 相似待验证SelectPFN 通过一个围绕组 spike-and-slab 稀疏输入神经网络构建的元先验，在合成任务上完成一次性预训练。68% 相似待验证生成式模型建模联合概率 P(x,y) 或数据分布 P(x)，而判别式模型直接建模条件概率 P(y|x)；生成模型在小样本时更具优势，判别模型在大数据量时通常表现更好65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1042160API
curl https://kongchang.com/api/v1/knowledge/claims/1042160MCP
get_claim(id=1042160)