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。
Apr, 2016
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
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
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
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
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。
Jun, 2017
该研究提出了深度逻辑模型理论,并将深度学习与概率逻辑推理相结合,以实现智能代理的发展。实验结果表明,该方法优于其他深度学习和推理方法的限制。
Jan, 2019
人工神经网络和贝叶斯推断是互补的建模方法,可用于理解涵盖不同层次的人类认知和训练在专有数据上的大型不透明人工神经网络的行为。
Nov, 2023
该论文研究通过拟合贝叶斯假设模拟人类感知能力,以识别基于视图的 3D 物体,并实现了感知计算。
Nov, 2022
本研究提出基于 “缺省推理” 思想的联合感知和推理框架来实现人工智能的人类水平认知能力,并建立了神经逻辑机来实现该框架。实验证明,该框架在从少量手写公式数据中学习后,能够很好地推广到复杂的新数据中,并在人工智能领域中标志着开创了一种新的研究方向。
Feb, 2018