距离感知的神经过程

我们提出了距离感知的神经过程（DNP），这是神经过程的一种新变体，通过结合全局和距离感知的局部潜在结构来改进不确定性估计。标准的神经过程（NP）通常依赖于一个全局潜在变量，在不确定性校准和捕捉局部数据依赖性方面存在困难。DNP 通过引入一个全局潜在变量来建模任务级别的变化，并引入一个局部潜在变量来在保持距离的潜在空间中捕捉输入相似性，从而解决了这些局限性。这是通过双李普希茨正则化实现的，该正则化限制了输入关系中的失真，并鼓励在潜在空间中保持相对距离。这种建模方法使 DNP 能够产生校准更好的不确定性估计，并更有效地区分分布内和分布外数据。实证结果表明，DNP 在回归和分类任务中均实现了强大的预测性能和更好的不确定性校准。