研究者提出基于surprisal的无模型学习框架

Christopher J. Hazard等作者提出一种基于 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进行分析和推理，并支持直接编辑和删除训练数据。 论文称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；作者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。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。