贝叶斯深度学习调查

Apr, 2016

A Survey on Bayesian Deep Learning

Hao Wang, Dit-Yan Yeung

TL;DR综合人工智能系统需要不仅能够用不同的 ` 感官 '（例如视觉和听觉）感知环境，还需要推断世界的条件（甚至因果）关系及其对应的不确定性。本文综述了贝叶斯深度学习的基本原理及其在推荐系统、主题模型和控制等领域的应用，讨论了贝叶斯深度学习与神经网络等其他相关主题之间的关系和差异。

Abstract

A comprehensive artificial intelligence system needs to not only perceive the environment with different `senses' (e.g., seeing and hearing) but also infer the world's conditional (or even causal) relations and corresponding uncertainty. The past decade has seen major advances in many

artificial intelligence perception bayesian deep learning higher-level inference probabilistic graphical models

发现论文，激发创造

走向贝叶斯深度学习：框架与一些现有方法

介绍了一种称为贝叶斯深度学习的统一框架，将深度学习和贝叶斯模型紧密融合，以提高高层次推理的性能并增强深度学习的感知能力。讨论了它在推荐系统、主题模型和控制等领域的应用，以及与贝叶斯神经网络的关系和区别。

Aug, 2016

大规模人工智能时代的贝叶斯深度学习

在当前深度学习研究的背景下，着重于在涉及大型图像和语言数据集的监督任务中取得高预测准确性，然而从更广泛的视角来看，存在许多被忽视的度量标准、任务和数据类型，如不确定性、主动和持续学习以及科学数据，需要关注。本文认为贝叶斯深度学习（BDL）是一个有前途的方向，在这些不同环境中提供了优势。本文强调 BDL 的优势、现有挑战，并重点介绍了一些旨在解决这些障碍的令人兴奋的研究路径。展望未来，讨论集中在如何将大规模基础模型与 BDL 结合起来发挥其全部潜力。

Feb, 2024

深度学习的概率论理论

通过发展概率性深度学习框架，研究人员解释了为什么深度学习算法能够胜任复杂感知推断任务，并发现了这些算法的成功和不足之处，提供了其改进的原则路径。

Apr, 2015

基于贝叶斯网络和深度学习的癌症影像诊断改进：一种贝叶斯深度学习方法

利用人工智能和机器学习的理论和算法，本研究探讨深度学习和贝叶斯网络预测模型在癌症诊断中的应用，构建了一种结合两者优势并最小化弱点的贝叶斯深度学习模型，并分析了该方法在医疗领域图像分类中的应用和准确性。

Mar, 2024

图形的贝叶斯深度学习

本文讨论了适应性结构数据处理的问题，提出了一种基于贝叶斯深度学习框架的图形学习方法，该方法可用于处理具有不同连续边缘特征的图形，生成无监督的嵌入向量，并展示出良好的性能。该文的最终目标是提供深度学习领域的贝叶斯透视。

Feb, 2022

深度学习：贝叶斯视角

本文介绍了一种基于贝叶斯概率论的深度学习方法，并应用于 Airbnb 的国际订房预测，结果表明深度学习对于高维数据预测有较好的表现。