في عالم الذكاء الاصطناعي، تظهر الشبكات المعتمدة على البيانات السابقة (Prior-data fitted networks - PFNs) كأحد النماذج الواعدة التي تجذب الانتباه في مجالات التنبؤ من خلال مجموعات البيانات الجدولية. تتميز PFNs بأدائها المتميز، إذ تحقق نتائج مذهلة حتى مع أحجام بيانات صغيرة إلى معتدلة دون الحاجة إلى إجراء تعديلات معقدة.

لكن، كان القصور الأهم في PFNs هو عدم توفيرها تقدير عدم اليقين للكميات التنبؤية مثل المتوسطات والكمية المئوية. لمواجهة هذه الفجوة، نقدم في هذه المقالة طريقة عميقة وفعالة لبناء تقديرات بايزية تعتمد على خلفيات ترجيحية (Martingale Posteriors).

تستند هذه الطريقة إلى إجراءات عينة مدروسة وبسيطة تخلو من التعقيدات، حيث نثبت أيضاً توافقها مع المعايير الأساسية في مجال التقدير. ويظهر ذلك من خلال عدة أمثلة مستندة إلى بيانات محاكاة وبيانات حقيقية، تثبت فعالية طريقة التقدير الجديدة وقدرتها على تحسين دقة النتائج في تطبيقات الاستدلال.

فهل ستغير هذه الطريقة الجديدة نظرتنا حول الشبكات المعتمدة على البيانات السابقة؟ تابعونا لمزيد من التطورات في هذا المجال المستمر في التقدم.