使用结构化概率分布的混合模型,提供了逼真的后验推断,相较于基于神经网络的仿真推断方法,在计算上具有更小的足迹,对于具有复杂模型和难以计算的似然函数的贝叶斯推断提供了一个可行的选择。
Mar, 2024
使用贝叶斯神经网络框架进行 SBI 的训练,涉及宇宙微波背景的推断,并引入 cosmoSWAG 以缓解数据迁移问题。
Jul, 2022
本文提出了一种名为 PMCnet 的新算法,该算法采用自适应重要性采样技术,利用复杂的(通常是多峰的)后验概率分布的几何信息,为设计贝叶斯神经网络提供了成功的方法,以实现在医疗保健或自动驾驶等决策重要性较大的领域中的机器学习应用,并同时降低了计算成本。
Oct, 2022
我们提出了一种综合多角度的方法,将敏感性分析集成到摊销的贝叶斯推理中,并在应用建模问题中展示了其有效性。
Oct, 2023
介绍了 MultiNest 算法,它是一种用于贝叶斯推断和后验采样的多模态和高度相关性分布的算法,并进行了对该算法的应用和测评。
Sep, 2008
本文介绍了三种新的方法用于从多峰分布以及存在显著退化的分布中进行抽样和证据评估,以及一种更高效的评估证据不确定性的技术,并将其应用于天文数据中进行贝叶斯目标检测,展示了证据计算和参数估计的准确性和经济性。
Apr, 2007
在天文学中,为了解决神经后验估计方法的三个关键问题,我们引入了一个新的框架和开源软件 nbi(神经贝叶斯推断),该框架支持自动化和序列化的神经后验估计方法,并提供了内置的自动化网络和修改后的算法 SNPE-IS,从而实现了光曲线和光谱等天文推断问题的快速应用。
Dec, 2023
介绍了一种基于机器学习技术的信息最大化神经网络 (IMNN) 方法,可以自动找到最佳的非线性数据压缩摘要来近似完整的数据信息,从而实现精准且高效的宇宙学参数估计。
Feb, 2018
本文提出了一种新颖的方法来加速贝叶斯推断过程,特别关注嵌套取样算法。
May, 2024
本文介绍了基于深度学习的近似贝叶斯神经网络和多项式归一化流方法,应用于天体物理参数恢复,发现与标准贝叶斯神经网络和翻转估计器相比,该方法能够更好地提高预测性能和准确估计不确定性,缓解变分参数的误差引入,并得到更接近真实后验分布的预测分布,从而为使用网络提供更合理的预测分布。该方法提高了维度的灵活性,有助于恢复大量的天体物理参数。
Jan, 2023