연구진이 베이지안 예측 추론을 위한 새로운 프레임워크를 제시했어요. 이 프레임워크는 사전 정보(prior)를 인-컨텍스트 데이터셋으로 표현하고, 다양한 사전 분포에 적응할 수 있도록 설계됐어요. 실험 결과, 기존 방법보다 훨씬 빠르면서도 오라클 베이지안 예측 성능에 근접하는 결과를 보여줬어요.
새로운 프레임워크는 사전 정보가 변경되더라도 예측 성능을 유지하며, 복잡한 구조의 사전 분포에서도 효과적으로 작동해요. 다중 작업 학습을 통해 사전 정보를 활용하는 방식을 개선하여, 데이터 효율성과 일반화 성능을 높였어요.
실제 공간-시간 온도 예측 벤치마크에서도 유용성을 입증하며, GitHub에서 관련 코드를 확인할 수 있어요.