证据条件神经过程

条件神经过程（CNP）系列模型通过实现更好的可扩展性和有竞争力的预测性能，为解决少样本问题提供了一个有前景的方向。然而，当前的 CNP 模型仅捕获对目标数据点所作预测的总体不确定性。它们缺乏对不确定性的不同来源进行系统性细粒度量化，而这对于少样本设置下的模型训练和决策至关重要。我们提出了证据条件神经过程（ECNP），它通过证据学习用更丰富分层贝叶斯结构取代了 CNP 使用的标准高斯分布，以实现认知-偶然不确定性分解。证据分层结构还带来了在噪声训练任务上具有理论依据的鲁棒性。对所提 ECNP 的理论分析确立了其与 CNP 的关系，同时提供了对证据参数作用的更深刻见解。在合成和真实世界数据上进行的广泛实验证明了我们提出的模型在各种少样本设置中的有效性。