跳到正文

算法、任务与模态

Uncertainty 最新动态

Uncertainty 研究索引；按可核对的标签归档，不以热度评价质量。

85 条精选近 30 天 46 条共收录 102 条

更新

精选归档 · 第 5 页

1月1日周六第 81–85 条
  1. OpenReview · State space models75

    采用 Laplace 近似的 Gaussian process 状态空间模型

    基于摘要分析。本文研究 Gaussian process 状态空间模型的近似推断：这类模型以 Gaussian process 描述状态转移，提供概率化、非参数的时间序列建模，但其推断难以精确求解。核心贡献是结合 Gaussian process 后验的随机变分推断与时间状态的 Laplace 近似，在保留模型条件依赖的同时联合处理时间状态，避免逐时序学习。 机制与对照：摘要指出，既有变分方法或对近似后验引入简化的独立性假设，或按时间顺序迭代学习状态，后者使当前状态后验的学习依赖过去状态后验的收敛。本文通过 Laplace 近似联合处理时间状态，针对这一优化瓶颈提出替代推断方案。具体后验参数化、优化目标、计算复杂度及近似实现尚未验证。 结果与证据边界：作者报告，在合成数据及一系列基准数据集上，该方法具有计算效率优势，并较所比较的先进替代方法获得更好的预测校准。摘要未提供数据集名称、划分、对照方法、校准指标或数值，因此无法判断优势幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，联合状态推断可能有助于 EEG 潜在动态建模中的优化与不确定性估计，而非直接构成 BCI 解码方法。该路径依赖有序时间观测和可用的观测模型；可复用的是推断框架，需改造的是 EEG 观测映射及噪声模型。低信噪比、跨被试与通道差异、小数据，以及潜在后验偏离 Laplace 局部近似条件，都可能限制效果。可先在固定被试内划分的 EEG 时间序列预测任务上，保持状态转移与观测模型一致，仅比较联合 Laplace 推断与顺序推断的预测校准和优化耗时，以检验该机制是否带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以 Laplace 近似联合处理时间状态、同时保留模型条件依赖的推断机制；作者报告预测校准优于对照方法，但具体评估协议及其对 EEG 的适用性尚未验证。

10月2日周六
  1. OpenReview · Representation learning81

    结合表示学习的校准多输出分位数回归

    基于摘要分析。该研究针对多变量响应的预测区域构造问题，将表示学习、多输出分位数回归与 conformal prediction 校准结合，目标是在满足用户指定覆盖概率的同时，得到形状灵活且信息量更高的预测区域。 方法包含两个部分：首先，利用深度生成模型学习具有单峰分布的响应表示，在该表示空间应用已有多输出分位数回归方法，再将所得区域变换回原始响应空间。作者认为，这种构造可形成任意形状的预测区域，突破既有方法的形状限制。其次，将 conformal prediction 扩展至多变量响应设置，对预测集合进行校准，使其达到预先指定的覆盖水平。生成模型类型、表示变换方式、训练目标及校准算法细节尚未验证。 作者报告，该覆盖性质对任意分布具有有限样本理论保证；摘要未说明保证所需的采样假设，也未区分边际覆盖与条件覆盖，需结合正文核对。作者还报告，在真实与合成数据实验中，所构造区域相较既有技术显著更小。具体数据集、样本量、划分、覆盖水平、区域大小度量、对照基线及统计信息尚未验证，不能据此量化改进幅度。 平台推测（待验证）：若 EEG 应用需要预测多维连续目标而非离散类别，该机制可能用于构造联合不确定性区域；其依赖配对输入与多维响应，以及足够的训练和校准数据。可复用部分是响应表示学习、分位数区域构造与集合校准，需改造 EEG 编码器，并核对跨被试或跨会话分布变化下校准假设是否成立。低信噪比、小样本和复杂多峰响应可能导致表示失真或预测区域膨胀。一个可检验的小实验是在明确划分的 EEG 连续目标预测任务中，对比原始响应空间与学习表示空间的区域构造，在相同目标覆盖水平下评估实测覆盖率和区域大小，再单独考察跨被试偏移。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将响应表示学习与多变量 conformal prediction 校准结合的机制，以核对复杂形状预测区域的构造方式、有限样本覆盖保证的适用条件及区域大小的比较协议。

1月1日周五
  1. OpenReview · State space models76

    非线性状态空间模型的高斯变分状态估计

    基于摘要分析。本文研究非线性状态空间模型中的滤波与平滑：由于非线性函数积分通常难以求解，状态后验分布往往没有闭式解，作者采用基于变分推断的假设高斯近似，并将状态估计重新表述为优化问题。 核心机制是以高斯分布近似所需的状态分布，再使用具有精确一阶和二阶导数的标准优化程序求解。摘要称，该方法所需假设较少，可直接用于具有高斯或非高斯概率模型的非线性系统；但这不意味着近似后验能够完整保留非高斯分布的多峰性或尾部特征。具体变分目标、高斯分布参数化、滤波与平滑的计算流程及导数计算方式尚未验证。 作者报告，在一个具有挑战性的标量系统、一个简单机器人系统模型，以及采用 von Mises-Fisher 分布的目标跟踪问题中，该方法优于其他假设高斯状态估计方法。摘要未提供具体指标、数值或对照算法名称，实验协议、消融及统计信息尚未验证，也不能据此判断实时计算成本或优势的适用范围。 平台推测（待验证）：若 EEG 问题可以明确建模为潜在状态的非线性动态演化及带噪观测，该优化式状态估计机制可能用于潜在神经状态跟踪。它依赖可计算的状态转移与观测概率模型，而不是直接面向 EEG 分类的训练框架；可考虑复用变分优化求解部分，但需要重新设计 EEG 观测模型、动态模型及参数辨识过程。低信噪比、跨被试差异、通道变化和小数据下的模型失配，均可能削弱估计稳定性；高斯近似也可能难以描述多峰后验。 一个可检验的小实验是：先在具有已知潜在状态的模拟 EEG 观测上固定同一动态模型与噪声条件，对比该方法与其他假设高斯滤波、平滑方法的状态估计误差和计算耗时，再逐步降低信噪比以检验优势是否保持。这仅是迁移假设，不构成已验证的 EEG 或 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将非线性滤波与平滑统一表述为可使用精确一阶、二阶导数求解的高斯变分优化问题的机制；作者报告的性能优势及其对 EEG 状态估计的适用性仍需分别核对与验证。

7月1日周一
  1. OpenReview · State space models73

    状态空间系统中潜变量的动态检查

    基于摘要分析。本文研究状态空间模型（SSMs）中如何分配有限的潜变量检查资源：在常规观测之外，偶尔直接测量一部分潜变量，以改善系统状态监测。作者提出通用 SSM 框架下的动态检查（Dynamic Inspection，DI）方法，识别并检查不确定性最高的潜变量，再结合直接测量结果与常规观测进行估计。 核心机制不是替换状态空间建模或推断方法，而是在既有模型估计与推断机制之上增加检查决策。其关键前提是：潜变量虽不能被常规获取，但能够以一定频率被部分测量，且检查资源有限。相较于仅依靠观测变量推断潜在状态，这一方法利用额外的直接状态测量降低估计不确定性。具体不确定性定义、选择策略、测量噪声处理及更新公式在摘要中尚未给出。 作者报告通过广泛的数值研究展示所提方法的有效性，并称融合潜变量测量与观测可以改善估计准确性；摘要未提供具体数值、系统类型、对照方法或资源预算，因此不能判断改进幅度与适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 状态监测任务具有可间歇获取的独立状态测量，DI 的资源分配思路可能用于决定何时、对哪些状态追加测量，而非仅增加 EEG 采样。可复用的是不确定性驱动的检查决策；需改造的是 EEG 观测模型及额外测量与潜在状态的对应关系。主要失败风险包括低信噪比导致不确定性估计失准、跨被试差异导致模型失配，以及所谓状态测量实际只是噪声较大的代理标签。一个可检验的小实验是在具有独立参考测量的数据上，固定检查预算和数据划分，比较 DI 与随机、固定间隔检查的状态估计误差；参考测量不能未经验证便视为潜变量真值。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是将状态估计中的有限资源分配明确为“选择并直接测量最不确定的潜变量”，但其对 EEG/BCI 的适用性取决于能否获得可靠的间歇性状态测量，尚未验证。

1月1日周三
  1. OpenReview · State space models71

    基于区间数据的 MIMO 系统阶数与状态空间模型辨识

    基于摘要分析。本文研究测量误差未知但有界时，如何辨识多输入多输出（MIMO）线性时不变系统的阶数及状态空间模型，将此前面向单输出系统的方法扩展到 MIMO 情形。核心贡献是利用特定排列的数据矩阵确定模型阶数，并将初步辨识得到的 ARX 模型转换为状态空间模型。 方法以采样测量数据的区间表示为起点，用区间覆盖未知但有界的测量误差，最终得到参数为区间形式的离散时间模型，以表示测量误差引起的参数不确定性。这属于系统辨识与不确定性表征方法，不是预训练模型或神经网络架构。作者指出，阶数确定和模型转换两个步骤不能从多输入单输出（MISO）情形直接推广。摘要称论文讨论了方法的优缺点并提供示例，但具体矩阵构造、区间运算、辨识条件、误差界设定及示例结果尚未验证，无法据此判断其精度、计算代价或相对优势。 平台推测（待验证）：假设某段多通道 EEG 可近似为线性时不变系统，且输入可观测、测量误差存在可信界限，这一框架可能用于研究动力学参数对测量误差的敏感性。可考虑复用区间数据表示与参数不确定性传播思路，但需重新定义 EEG 的输入输出关系、噪声界限及局部平稳时间窗。低信噪比、突发伪迹、跨被试差异、通道变化和短记录可能使误差界过宽或模型难以辨识；区间参数也不等同于统计置信区间。 一个可检验的小实验是先使用已知阶数和参数的多通道线性仿真系统，在明确有界噪声下检验阶数恢复及参数区间覆盖，再评估与目标 EEG 场景的对应关系。这仅是机制验证建议，不构成 EEG 或 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其将有界测量误差传播为模型参数区间，并针对 MIMO 系统提供阶数确定与 ARX 到状态空间模型转换方法；其适用于 EEG 的误差假设与辨识条件尚未验证。