待验证50% 置信事实精确时间
g-建模通过NPMLE估计边际密度 f(x) = ∫ φ(x-θ) dG(θ)，然后利用反卷积得到先验 G 的估计。
1
来源数
50%
置信度
长期有效
时效性
2026/10/22
首次发现
来源
涉及实体
相关事实
待验证贝叶斯证据定义为在给定模型下观测数据的边缘概率密度，即对参数先验积分：Z = ∫ p(x|θ,M) p(θ|M) dθ。71% 相似待验证归一化流通过可逆变换实现精确密度估计，目标密度通过变量替换公式p_K(x) = p_0(f^{-1}(x)) ∏|det ∇f_k^{-1}(x)|计算，其优势是可精确计算对数似然，但代价是每层变换必须满足可逆性和雅可比行列式易于计算这两个约束，这严重限制了模型表达能力。67% 相似待验证对Kimi、GLM等模型做预填时，推理长度的分布会发生统计显著的偏移并向某个源模型对齐66% 相似待验证经典收缩公式（如Ezekiel公式、Adjusted R²）在估算样本外表现时只考虑样本量N和预测变量个数p，隐含假设所有观测对模型拟合的影响力均匀分布。65% 相似待验证该研究提出了一种统一的估计框架，用作用于基分布上的位移场来参数化密度比，使密度比估计和位移场估计通过同一个凸优化问题同时获得。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1083928API
curl https://kongchang.com/api/v1/knowledge/claims/1083928MCP
get_claim(id=1083928)