arXiv stat.ML· Christopher J. Hazard, Michael Resnick, Jacob Beel, Jack Xia, Cade Mack, Dominic Glennie, Matthew Fulp, David Maze, Andrew Bassett, Martin Koistinen·· 2 小时前AI 评分22
基于 surprisal 的无模型机器学习框架：用不确定性度量实现泛化推理
A Theory of the Mechanics of Information: Generalization Through Measurement of Uncertainty (Learning is Measuring)
AI 导读
研究者提出一种基于 surprisal（信息论不确定性）的"无模型"实例学习框架，无需分布建模即可直接从原始数据推理，并支持直接编辑和删除训练数据。该方法可适配几乎所有机器学习任务，在异常检测和部分监督任务上达到 SOTA，并能处理缺失数据。论文将其数学基础称为信息的"物理学"，强调可追溯性与人类可理解性。
来源：arXiv stat.ML · arxiv.org