NIPSMar, 2015

贝叶斯案例模型：一种基于生成的案例推理和原型分类方法

PDF
TL;DR提出了贝叶斯案例模型（BCM），它是一种 Bayesian case-based reasoning（CBR）和原型分类与聚类的通用框架，使用 BCM 进行人类主体实验，与前继艺术相比，BCM 提供的解释在参与者理解方面统计显著提高。
发现论文，激发创造
  • 通过分类器对基于法律案例推理器进行建模和解释

    本文结合了案例推理的基于因素的模型和分类器逻辑规范的两条研究线索，将 Horty（2011）的基于因素的先例模型与 Liu＆Lorini（2021）的逻辑方法相结合，重新制定了 Horty 的情况库，并提供了几个表示结果。

    Oct, 2022

  • 基于约束条件的因果推断的贝叶斯方法

    本论文提出了一种结合贝叶斯方法和约束方法的算法，用于解决从有限数据集进行因果推断的准确性和稳健性问题。

    Oct, 2012

  • 具上下文特定的贝叶斯网络分类器的改进

    使用贝叶斯网络的生成分类器扩展了 TAN 和其他类型的分类器，研究了它们与贝叶斯网络之间的关系，并通过数据驱动的学习方法提高了分类准确率。

    May, 2024

  • 多准则决策问题的统一贝叶斯框架

    该研究提出了基于概率解释的多准则决策制定中不同任务的贝叶斯框架，通过灵活的建模方法来解决群体决策问题和准则相关性等多方面的挑战，并可以适应决策者偏好的不确定性的不同形式。实验结果表明所提出的方法在多个数值示例中的效果并验证了其与其他方法相比的优势。

    Aug, 2022

  • 贝叶斯泛化误差的上界在局部概念瓶颈模型中：局部瓶颈模型胜过朴素瓶颈模型

    Concept Bottleneck Model (CBM) methods for explaining neural networks have been improved upon with the introduction of Partial CBM (PCBM), which uses partially observed concepts and shows promising generalization performance, as revealed in this study through Bayesian analysis.

    Mar, 2024

  • 概率性概念瓶颈模型

    本研究中，我们提出了一种基于概率概念瓶颈模型（Probabilistic Concept Bottleneck Models，ProbCBM）的解释性模型，它可以通过建模概念预测的不确定性来提高可靠性和解释性。我们的方法不仅可以提供高水平的概念推导，还可以推断类不确定性。

    Jun, 2023

  • 贝叶斯认知方法提高数据可视化

    利用贝叶斯认知模型在数据可视化中理解用户对先前信念的影响，研究发现大型数据集下用户的判断与贝叶斯预测不一致，为此介绍了贝叶斯推理作为数据可视化评估的规范框架。

    Jan, 2019

  • 分布式高斯过程

    介绍了鲁棒贝叶斯委员会机 (rBCM)，是用于大规模分布式高斯过程回归的实用和可扩展的逐级分解模型。

    Feb, 2015

  • 学习混合均值的选择性的在线算法

    我们开发了一种生物上可行的学习规则，称为 Triplet BCM，该规则可证明收敛于一般混合模型的类均值。通过引入来自混合物的三元组（triplets）样本，Triplet BCM 实现了一种新颖的信息处理解释。我们提供了这个学习规则的完整证明，并对 BCM 和张量学习之间的关系进行了扩展讨论。

    Oct, 2014

  • 统一逻辑蕴涵和统计估计

    本文基于生成模型的思想，采用 Bayesian learning 方法，探究形式逻辑及其数理统计特性，构建了一个统一的形式逻辑和统计推理理论。

    Feb, 2022