BriefGPT - AI 论文速递
·
短视频推荐中基于不确定观看时间的条件分位数估计
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于神经量位估计（NQE）的新型基于模拟的推断（SBI）方法，该方法使用条件分位数回归，并通过插值预测的分位数获得后验样本。该方法在处理尾部行为和多峰分布时表现出色，并且相对于传统的最高后验密度区域（HPDR），提供了更快的评估速度。该方法还可以与后处理扩大步骤集成，以确保后验估计的无偏性。实验证明该方法在各种基准问题上具有最先进的性能。
🎯
关键要点
-
提出了一种基于神经量位估计（NQE）的新型基于模拟的推断（SBI）方法。
-
该方法基于条件分位数回归，通过对数据和先前后验维度进行条件分位数自回归学习。
-
使用单调立方 Hermite 样条插值预测的分位数以获得后验样本，特别处理尾部行为和多峰分布。
-
引入基于局部累积密度函数（CDF）的贝叶斯置信区间的替代定义，评估速度显著提高。
-
在受限的模拟预算和已知模型误设情况下，可以集成后处理扩大步骤以确保后验估计的无偏性。
-
实验证明该方法在各种基准问题上具有最先进的性能。
➡️
