待验证50% 置信事实精确时间
贝叶斯符号回归通过定义表达式上的先验分布并结合似然进行后验推断,用概率分布刻画哪些表达式是合理的,从而量化模型不确定性。
1
来源数
50%
置信度
长期有效
时效性
2026/11/10
首次发现
来源
贝叶斯符号回归:因果发现的新范式
rss2026/11/9
涉及实体
相关事实
待验证传统的鲁棒优化方法常假设分布偏移位于某个已知的不确定性集合内,而Credal集方法不依赖对偏移形式的强假设,直接对模型的认知不确定性进行建模。77% 相似待验证分数方法直接建模得分函数,并通过随机微分方程或概率流ODE进行采样。76% 相似待验证逻辑回归的输出本质上是概率值,贝叶斯分类器直接建立在贝叶斯定理之上76% 相似已验证频率派将参数视为固定但未知的常数并通过最大化似然函数求点估计,贝叶斯派则将参数视为随机变量并通过后验分布输出预测不确定性75% 相似待验证指数族分布的对数归一化函数可充当Bregman散度定义中的凸函数φ,使锚点概率分布模型与表示空间几何度量形成一一对应74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1154863API
curl https://kongchang.com/api/v1/knowledge/claims/1154863MCP
get_claim(id=1154863)