基于神经比值估计的贝叶斯张力统计校准
机器学习
2024-07-23 v1 信息检索
摘要
当同一物理模型对两个不同数据集的拟合结果不一致时，我们称这种情况为张力。近年来，天文学界发现了多个显现张力的现象，并提出了多种度量方法来量化这种张力。许多度量方法存在局限性假设，正确校准这些度量方法对于判断差异是否显著至关重要。常用的张力度量指标是证据比 R。该统计量已被广泛采用作为贝叶斯量化张力的方法，但其对先验的非平凡依赖性质往往未被充分考虑。我们展示了可通过神经比值估计有效校准这一问题。我们以解析例子、受 21-cm 宇宙学启发的仿真例子，以及来自 Dark Energy Spectroscopic Instrument (DESI) 和 Sloan Digital Sky Survey (SDSS) 的观测数据为例进行演示。我们发现 DESI 与 SDSS 之间不存在显著张力。
引用
@article{arxiv.2407.15476,
title = {MODRL-TA:A Multi-Objective Deep Reinforcement Learning Framework for Traffic Allocation in E-Commerce Search},
author = {Peng Cheng and Huimu Wang and Jinyuan Zhao and Yihao Wang and Enqiang Xu and Yu Zhao and Zhuojian Xiao and Songlin Wang and Guoyu Tang and Lin Liu and Sulong Xu},
journal= {arXiv preprint arXiv:2407.15476},
year = {2024}
}