Bayesian Convolutional Deep Sets with Task-Dependent Stationary Prior
具有任务依赖平稳先验的贝叶斯卷积深度集合AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是通用神经网络架构与函数表示；时间序列仅为实验数据之一，尚不足以明确归入所列经济计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
具有任务依赖平稳先验的贝叶斯卷积深度集合
- 研究问题
- 当观测点较少时，如何改善卷积深度集合中核平滑表示的不确定性，并为不同任务配置适当的平稳过程先验？
- 方法与思路
- 作者用贝叶斯卷积深度集合构造带平稳先验的随机平移等变函数表示，并讨论按数据集施加任务依赖先验及训练方式。
- 材料陈述的贡献
- 摘要称提出上述贝叶斯架构及任务依赖先验方案，并在时间序列和图像数据上验证；同时指出错误先验可能使表示更差。
- 阅读关注点
- 核对随机函数表示和任务依赖先验的具体构造、先验设定所用信息，以及少样本实验的评价指标与错误先验的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出理论保证或实验数值，平稳先验并不自动保证良好的预测或校准。
原文摘要
Convolutional deep sets are the architecture of a deep neural network (DNN) that can model stationary stochastic process. This architecture uses the kernel smoother and the DNN to construct the translation equivariant functional representations, and thus reflects the inductive bias of the stationarity into DNN. However, since this architecture employs the kernel smoother known as the non-parametric model, it may produce ambiguous representations when the number of data points is not given sufficiently. To remedy this issue, we introduce Bayesian convolutional deep sets that construct the random translation equivariant functional representations with stationary prior. Furthermore, we present how to impose the task-dependent prior for each dataset because a wrongly imposed prior forms an even worse representation than that of the kernel smoother. We validate the proposed architecture and its training on various experiments with time-series and image datasets.