https://blog.qife122.com/tags/%E8%AE%BA%E6%96%87%E8%8E%B7%E5%A5%96/ Recent content in 论文获奖 on 办公AI智能小助手 Hugo zh-cn qife Sun, 21 Sep 2025 03:50:35 +0800 https://blog.qife122.com/p/icml2025%E8%8E%B7%E5%A5%96%E8%AE%BA%E6%96%87%E4%B8%AD%E7%9A%84%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E7%AA%81%E7%A0%B4/ Sun, 21 Sep 2025 03:50:35 +0800 https://blog.qife122.com/p/icml2025%E8%8E%B7%E5%A5%96%E8%AE%BA%E6%96%87%E4%B8%AD%E7%9A%84%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E7%AA%81%E7%A0%B4/ <h1 id="icml2025获奖论文技术亮点">ICML2025获奖论文技术亮点</h1> <h2 id="杰出论文奖">杰出论文奖</h2> <h3 id="共形预测作为贝叶斯求积">共形预测作为贝叶斯求积</h3> <p><strong>摘要</strong>：随着机器学习预测系统越来越多地用于高风险场景，理解预测模型在部署时的表现至关重要。共形预测等无分布不确定性量化技术能够为黑盒模型的损失提供保证，即使模型细节被隐藏。然而，这些方法基于频率派概率，限制了其适用性。研究从贝叶斯角度重新审视共形预测的核心方面，揭示频率派保证的缺点，并提出基于贝叶斯求积的实用替代方案，提供可解释的保证，并更丰富地表示测试时可能观察到的损失范围。</p>