深度学习新突破：把假设检验变成截断半径问题，卵巢衰老预测也能用！
Possibilistic Radial Transport for Approximate IM Inference
📖 AI 总结
该论文研究在可能性推断模型（IM）框架下进行近似推断的计算难题。由于每个合理性值都是可能性轮廓在假设上的上确界，且轮廓本身需在每个查询参数处近似计算，直接推断代价高昂。作者提出“可能性径向传输”方法，将参数的轮廓值编码为其源点半径，并选择最大化壳内熵的传输方式，从而把覆盖置信截断的参数采样简化为半径截断问题。论文给出一种深度学习算法，在满足轮廓深度条件的同时最大化各壳层熵，实现摊销式推断，使覆盖率和功效评估、新数据集预测检验以及Bel-Pl谱构建变得可行。模拟结果显示，学习到的轮廓在截断近似上达到或优于椭球近似，覆盖率和功效与精确参考一致。作者还将其应用于卵巢衰老的合成AMH数据，估计每位女性中位AMH水平维持在参考值以上的年数。
🔑 关键词速览
| Possibilistic Inferential Models (IMs) | 可能性推断模型，一种基于可能性理论的统计推断框架，用于在观察到数据后评估假设的似真性。 |
| Possibilistic Radial Transport | 可能性径向传输，一种将参数的轮廓值编码到源点半径中的变换方法，用于高效近似推断。 |
| Bel-Pl Spectrum | Bel-Pl谱，基于信任函数（Bel）和似然函数（Pl）构建的谱，用于比较和选择满足决策准则的假设。 |
| AMH | 抗穆勒氏管激素，一种用于评估卵巢储备和衰老的生物标志物。 |
| Confidence Cut | 置信割，在可能性轮廓中对应于给定置信水平的水平集，用于构建置信区域。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅