研究揭示条件流模型将认知不确定性转化为表观偶然方差

2026年10月22日，arXiv机器学习领域发表的一项研究揭示，条件流模型（CFM）在拟合真实条件分布的过程中，会将认知不确定性转化为生成样本中的表观偶然方差。实验与理论研究表明，该额外产生的方差对应着模型对复杂目标的欠拟合程度，并且会随着模型训练量的增加或数据规模的扩大而逐渐减小。基于这一特性，研究团队提出了条件流模型的具体实际应用场景，即利用其构建能够有效覆盖真实回归目标的高覆盖率预测集。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。