Gibbs变分解耦后验推断，提出多步训练损失

Paul Brunzema、Henrik Hose、Sebastian Trimpe 提出用 Gibbs 变分推断重新审视变分贝叶斯末层（VBLLs），把后验推断与训练损失的选择解耦，并据此设计一族多步训练损失：逐步引入长时程结构、基于连续排序概率分数（CRPS）的鲁棒性，以及完整自回归 rollout 训练。作者指出，VBLLs 原本只用单步似然目标训练，可能不足以支撑可靠的多步预测。 作者称，在示例性合成环境、多种混沌动力学系统和真实世界数据上，多步、基于 CRPS 的目标显著提升了长时程精度与分布拟合，并一致优于单步似然训练。该工作已被 NeurIPS 2026 接收。

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。