分割与预测：面向输入空间分区与提升精度的架构
机器学习
2026-03-10 v1
摘要
本文中，作者发展了一种衡量监督学习训练数据异质性的内在度量。该度量是随机变量的方差，这一变量经过训练数据对的影响。证明表明，该方差能够捕捉数据异质性，从而用于评估样本是否为分布的混合物。作者证明，数据本身包含支持将数据划分为多个块的关键信息。提供了若干概念验证研究，量化了方差与异质性之间在 EMNIST 图像数据和合成数据上的联系。作者确立，方差在分布的等效混合时最大，并详细说明，方差驱动的数据净化后继随常规块训练可导致测试准确率显著提升。
引用
@article{arxiv.2603.08649,
title = {Divide and Predict: An Architecture for Input Space Partitioning and Enhanced Accuracy},
author = {Fenix W. Huang and Henning S. Mortveit and Christian M. Reidys},
journal= {arXiv preprint arXiv:2603.08649},
year = {2026}
}
备注
Under review; 24 pages; 8 figures