广义正则化证据深度学习模型

Research Paper#Deep Learning, Uncertainty Quantification, Evidential Deep Learning🔬 Research|分析: 2026年1月3日 19:54•
发布: 2025年12月27日 11:26
•
1分で読める
•ArXiv

分析

本文解决了证据深度学习（EDL）模型的一个关键限制，这些模型旨在使神经网络具有不确定性感知能力。它识别并分析了由EDL中证据的非负性约束引起的学习冻结行为。作者提出了一种广义的激活函数族和正则化器来克服这个问题，为不确定性量化提供了一种更稳健和一致的方法。在各种基准问题上的全面评估表明了所提出方法的有效性。
引用 / 来源
查看原文
"The paper identifies and addresses 'activation-dependent learning-freeze behavior' in EDL models and proposes a solution through generalized activation functions and regularizers."
A
ArXiv2025年12月27日 11:26
* 根据版权法第32条进行合法引用。
较旧

Sparse Interactions Reshape Stability in Random Lotka-Volterra Dynamics

较新

Learning When Not to Attend Globally

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv