标签
本研究论文开发了用于预测岩土工程中不排水抗剪强度的概率间接模型，运用先进的数据填补和机器学习技术处理缺失数据和变异性。所提出的MHA增强型PNN模型在精度和不确定性量化方面均表现出优于其他方法的性能。
提出使用神经谓词为Black-Litterman模型生成结构化概率观点，提高投资组合构建中的可复现性和可解释性。
本文确立了将生成模型确定性封装到传统计算系统的基础原则，定义了四个原语和两种反模式，以降低AI集成的风险。
本文形式化了概率标签排序的校准定义，引入了校准概念的层次结构，并表明常见模型校准不佳。进一步展示了在RLHF奖励模型中的应用，其中校准与准确性相关但不完全相同。
CobwebTM是一种低参数的终身分层主题建模方法，将Cobweb算法应用于连续文档嵌入，实现无监督主题发现和动态分层组织，无需预定义主题数量。该方法将增量符号概念形成与预训练表示相结合，在避免灾难性遗忘的同时实现强大的主题一致性。
OpenAI 提出了基于能量的模型 (EBM) 的隐式生成和泛化方法，该方法使用 Langevin 动力学进行迭代优化以生成样本，无需显式生成器网络。该方法具有多个优势，包括自适应计算时间、学习不连通数据模式的灵活性，以及通过专家乘积实现的内置组合性。