پژوهش
روش تازه‌ای برای کالیبراسیون مدل‌ها با درنظرگرفتن عدم‌قطعیت زمینه
پژوهشگران روشی مبتنی بر استنتاج بیزی موضعی و جریان نرمال‌ساز شرطی معرفی کرده‌اند که تغییرات زمینه و عدم‌قطعیت داده‌های مشاهده‌ای را در کالیبراسیون لحاظ می‌کند.
در پیش‌چاپی در arXiv، پژوهشگران روشی برای ساخت مجموعه‌ای از توزیع‌های پسین موضعی ارائه کرده‌اند؛ در این روش، درست‌نمایی مشاهدات بر اساس نزدیکی هر مشاهده به زمینهٔ هدف وزن‌دهی می‌شود. وزن‌های موضعی گاوسی، عدم‌قطعیت زمینه را با افزایش کوواریانس لحاظ می‌کنند و برای مرزهای دامنه و نمونه‌برداری نامتوازن از زمینه نیز امکان اصلاح در نظر گرفته شده است.
یک جریان نرمال‌ساز شرطی، با استفاده از استنتاج واریاسیونی استهلاک‌یافته، مجموعهٔ توزیع‌های پسین را تقریب می‌زند. پژوهش به کالیبراسیون مدل و کاربرد آن در مدل‌سازی آشفتگی اقیانوسی می‌پردازد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗