Copertina

Uncertainty Quantification for Prior-Data Fitted Networks using Martingale Posteriors

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Nagler, Thomas, Rügamer, David
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Methodology Artificial Intelligence Machine Learning Computation
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Adjustment for Confounding using Pre-Trained Representations
di: Schulte, Rickmer, et al.
Pubblicazione: (2025)

Generalizing Orthogonalization for Models with Non-Linearities
di: Rügamer, David, et al.
Pubblicazione: (2024)

On the Epistemic Uncertainty of Overparametrized Neural Networks
di: Rügamer, David
Pubblicazione: (2026)

Adaptive Uncertainty Quantification for Generative AI
di: Kim, Jungeum, et al.
Pubblicazione: (2024)

Hybrid Bernstein Normalizing Flows for Flexible Multivariate Density Regression with Interpretable Marginals
di: Arpogaus, Marcel, et al.
Pubblicazione: (2025)

TabMGP: Martingale Posterior with TabPFN
di: Ng, Kenyon, et al.
Pubblicazione: (2025)

Position: The Future of Bayesian Prediction Is Prior-Fitted
di: Müller, Samuel, et al.
Pubblicazione: (2025)

How Many Human Survey Respondents is a Large Language Model Worth? An Uncertainty Quantification Perspective
di: Huang, Chengpiao, et al.
Pubblicazione: (2025)

(Mis)Fitting: A Survey of Scaling Laws
di: Li, Margaret, et al.
Pubblicazione: (2025)

Amortized Variational Inference for Joint Posterior and Predictive Distributions in Bayesian Uncertainty Quantification
di: Feng, Nan, et al.
Pubblicazione: (2026)

Interpretable Machine Learning for TabPFN
di: Rundel, David, et al.
Pubblicazione: (2024)

An Online Bootstrap for Time Series
di: Palm, Nicolai, et al.
Pubblicazione: (2023)

Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning
di: Ren, Yutian, et al.
Pubblicazione: (2024)

Mind the GAP: Improving Robustness to Subpopulation Shifts with Group-Aware Priors
di: Rudner, Tim G. J., et al.
Pubblicazione: (2024)

Combining Priors with Experience: Confidence Calibration Based on Binomial Process Modeling
di: Dong, Jinzong, et al.
Pubblicazione: (2024)

Multi-Teacher Knowledge Distillation via Teacher-Informed Mixture Priors
di: Fang, Luyang, et al.
Pubblicazione: (2026)

Robust Classification of High-Dimensional Data using Data-Adaptive Energy Distance
di: Choudhury, Jyotishka Ray, et al.
Pubblicazione: (2023)

Comparing Foundation Models using Data Kernels
di: Duderstadt, Brandon, et al.
Pubblicazione: (2023)

CausalGuard: Conformal Inference under Graph Uncertainty
di: Singh, Vikash, et al.
Pubblicazione: (2026)

HOLOGRAPH: Active Causal Discovery via Sheaf-Theoretic Alignment of Large Language Model Priors
di: Kim, Hyunjun
Pubblicazione: (2025)

Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures
di: Trilla, Alexandre, et al.
Pubblicazione: (2024)

Removing Spurious Correlation from Neural Network Interpretations
di: Fotouhi, Milad, et al.
Pubblicazione: (2024)

AutoEval Done Right: Using Synthetic Data for Model Evaluation
di: Boyeau, Pierre, et al.
Pubblicazione: (2024)

Amortized Causal Discovery with Prior-Fitted Networks
di: Sypniewski, Mateusz, et al.
Pubblicazione: (2025)

An Introduction to Sliced Optimal Transport
di: Nguyen, Khai
Pubblicazione: (2025)

Lightspeed Geometric Dataset Distance via Sliced Optimal Transport
di: Nguyen, Khai, et al.
Pubblicazione: (2025)

Discriminative classification with generative features: bridging Naive Bayes and logistic regression
di: Terner, Zachary, et al.
Pubblicazione: (2025)

Black Box Causal Inference: Effect Estimation via Meta Prediction
di: Bynum, Lucius E. J., et al.
Pubblicazione: (2025)

Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization
di: Zhang, Dinghuai, et al.
Pubblicazione: (2023)

An AI-powered Bayesian Generative Modeling Approach for Arbitrary Conditional Inference
di: Liu, Qiao, et al.
Pubblicazione: (2026)

Outlier-robust neural network training: variation regularization meets trimmed loss to prevent functional breakdown
di: Okuno, Akifumi, et al.
Pubblicazione: (2023)

RCT Rejection Sampling for Causal Estimation Evaluation
di: Keith, Katherine A., et al.
Pubblicazione: (2023)

Neural Networks Decoded: Targeted and Robust Analysis of Neural Network Decisions via Causal Explanations and Reasoning
di: Diallo, Alec F., et al.
Pubblicazione: (2024)

Federated Causal Inference from Observational Data
di: Vo, Thanh Vinh, et al.
Pubblicazione: (2023)

Data-Driven Estimation of Heterogeneous Treatment Effects
di: Tran, Christopher, et al.
Pubblicazione: (2023)

KANITE: Kolmogorov-Arnold Networks for ITE estimation
di: Mehendale, Eshan, et al.
Pubblicazione: (2025)

PCS Workflow for Veridical Data Science in the Age of AI
di: Rewolinski, Zachary T., et al.
Pubblicazione: (2025)

Learning DAGs from Data with Few Root Causes
di: Misiakos, Panagiotis, et al.
Pubblicazione: (2023)

Review for Handling Missing Data with special missing mechanism
di: Zhou, Youran, et al.
Pubblicazione: (2024)

Transferring Causal Effects using Proxies
di: Iglesias-Alonso, Manuel, et al.
Pubblicazione: (2025)