待验证50% 置信基准精确时间

在 p 高达 500 的超出先验范围的非线性设计上，SelectPFN 的精度-召回曲线下面积（AUPRC）相比 lasso、BART、DART、LassoNet 以及组惩罚稀疏神经网络提升了 0.23-0.28。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/16

首次发现

有效期至：2027/1/14

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

SelectPFNmodel lassomodel BARTmodel DARTmodel LassoNetmodel

相关事实

待验证神经网络中各层对精度损失的敏感程度差异显著，patch projection等输入投影层敏感度高，中间主干的注意力与FFN模块对低精度更鲁棒63% 相似待验证在算法工程任务（Lasso path solver）中，Dream-RSI 相比 SimpleTES 等基线能将智能体调用次数减少 162 倍，同时表现仍优于标准库实现63% 相似待验证卡尔曼类方法假设状态和观测误差均服从高斯分布，在线性系统中表现优异，但面对高维非高斯问题时精度下降62% 相似已验证近似最近邻ANN算法如HNSW和IVF通过牺牲微小精度换取数量级速度提升62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1042168

API

curl https://kongchang.com/api/v1/knowledge/claims/1042168

MCP

get_claim(id=1042168)