AI এবং বিশ্বের কঠিন সমস্যাগুলো · পদার্থবিজ্ঞান · arXiv · 2026-10-23

ML-ভিত্তিক বিপরীত সমস্যায় বিশ্বস্ত অনিশ্চয়তা: ট্রিপলেট PDF-এর জন্য GPs, NNs এবং NTKs

মূল শিরোনাম: Faithful Uncertainties in ML-Based Inverse Problems: GPs, NNs and NTKs for the Triplet PDF

পদার্থবিজ্ঞানের বিপরীত সমস্যার মেশিন-লার্নিং সমাধানে শুধু ভালো কেন্দ্রীয় মান নয়, নির্ভরযোগ্য অনিশ্চয়তাও প্রয়োজন। গভীর অস্থিতিস্থাপক বিক্ষেপণ ডেটা থেকে নন-সিঙ্গলেট ট্রিপলেট বণ্টন T3 পুনর্গঠনের একটি ক্লোজার-টেস্ট কাঠামো ব্যবহার করে লেখকেরা গাউসীয় প্রক্রিয়া, নিউরাল-নেটওয়ার্ক এনসেম্বল এবং এমপিরিক্যাল নিউরাল ট্যাঞ্জেন্ট কার্নেলের তুলনা করেছেন। একই রকম কেন্দ্রীয় মানের পদ্ধতিগুলো অনিশ্চয়তায় বিশাল পার্থক্য দেখিয়েছে, যা নিয়ন্ত্রিত হয়েছে লাইকলিহুডের কোভেরিয়েন্স ব্যবস্থাপনা, ফাংশনাল প্রায়র ও প্রশিক্ষণের পর্যায় দ্বারা, আর ক্যালিব্রেশন নির্ভর করেছে বিন্দুভিত্তিক প্রস্থের চেয়ে পূর্বাভাসমূলক সম্পর্কের ওপর।

মূল লেখা পড়ুন ↗

সব আইটেম →