条件流模型把认知不确定性转为样本方差

Navodita Sharma 等作者提交的论文指出，条件流模型（CFM）生成的样本方差常大于真实条件分布，即使在近乎确定性的回归任务中也是如此。作者称，这种额外方差源于模型尚未解析对条件变量的依赖，实质是把拟合真实条件分布时的认知不确定性转化为生成样本中的表观偶然方差。 该方差随模型对复杂目标的欠拟合而增大，并随额外训练或数据增加而减小。作者据此提出，可利用这一现象设计覆盖真实回归目标的高覆盖率预测集。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。