精选理由
Ribbon用一种巧妙的线性化技巧，让你不用反复训练就能估算模型的不确定性，而且结果和更复杂的bootstrap差不多。
Ribbon是一种针对Dirichlet重加权bootstrap的可扩展近似方法，通过单次拟合模型后的影响函数线性化替代重复重拟合。该方法仅需事后线性代数运算即可保持贝叶斯bootstrap的一阶数据重加权结构，并可通过验证数据调整不确定性尺度。在合成回归、MNIST分类和California Housing基准测试中，Ribbon在避免重复模型训练的同时提供了有竞争力的预测性能和改进的校准效果。
AI 翻译 · 中文
Ribbon是一种针对Dirichlet重加权bootstrap的可扩展近似方法，通过单次拟合模型后的影响函数线性化替代重复重拟合。该方法仅需事后线性代数运算即可保持贝叶斯bootstrap的一阶数据重加权结构，并可通过验证数据调整不确定性尺度。在合成回归、MNIST分类和California Housing基准测试中，Ribbon在避免重复模型训练的同时提供了有竞争力的预测性能和改进的校准效果。
Reliably quantifying predictive uncertainty is difficult for complex, high-dimensional, or misspecified models. Both fully Bayesian and bootstrap resampling methods provide principled uncertainty estimates but are often …