良好校准的贝叶斯 [pdf] (1982)
摘要
A. P. Dawid 于 1982 年发表的经典论文，论述了良好校准的贝叶斯概率预测的概念，是统计学和机器学习领域的基础性工作。
暂无内容
查看缓存全文
缓存时间: 2026/07/15 16:44
无法翻译。您提供的输入内容并不是一篇英文文章或Markdown文本，而是一个PDF文件的原始二进制数据（包含PDF文件头和大量编码字符）。请提供有效的英文Markdown文章内容，以便我为您翻译为简体中文。
相似文章
Distribird：基于文献信息的贝叶斯模型校准先验分布设计
本文介绍Distribird，一个智能体Web应用，通过搜索和阅读科学文献来自动设计贝叶斯模型校准的信息性先验分布。文章使用本地开放权重LLM在十个领域的24个参数上评估了该工具，强调可追溯性、隐私性和范围外拒绝，而非原始准确率。
用于校准概率预测的可验证奖励
该论文提出了一种可验证的无标签奖励，用于通过强化学习训练校准的概率预测器，避免了因奖励单个结果而导致的校准退化。应用于NFL胜率预测，使用该奖励训练的7B模型达到了与博彩市场相当的校准水平。
ProbabilityBench：基于精确真实不确定性概率的模型评估与校准
ProbabilityBench 引入了一个具有精确已知的真实类别概率的基准，从而可以直接衡量模型（包括 Jev 和 Perplexity Decider 等决策模型）对真实概率的估计能力，并实现对校准指标和贝叶斯误差估计器的评估。
Jev 思考 "我不知道"，但未言明：介绍用于概率校准的 Sys1Cal-v1 数据集
介绍了 Sys1Cal-v1 数据集，用于评估 AI 模型的概率校准，表明像 Jev 这样的模型可能在二进制输出中抑制不确定性。
物理信息机器学习泛化性的PAC-Bayesian视角
本文为物理信息机器学习开发了一种PAC-Bayesian框架，为无界损失提供了高概率泛化保证。它提出了一种多任务视角，联合处理数据保真度、偏微分方程残差和边界条件，并引入了一种自界限学习算法。