AAAIFeb, 2019

双向推理网络：一类用于健康画像的深度贝叶斯网络

PDF
TL;DR提出了一种称为双向推理网络（BIN）的方法，它可以将多个概率神经网络缝合在一起，以建模变量之间的条件依赖关系，并通过迭代更新变量来进行预测。同时，将 BIN 扩展到了复合 BIN（CBIN），通过自适应平滑优化器的方法，在训练阶段的迭代预测过程中提高了精度和计算效率，并在人工合成数据集和真实数据集上展示了 CBIN 单个模型可以实现最先进的性能，而且在大多数推理任务中比为不同任务专门训练的多个模型获得更高的准确性。
发现论文，激发创造
  • B-PINNs: 带有噪声数据的前向和反向 PDE 问题的贝叶斯物理信息神经网络

    提出一个贝叶斯物理知识推断神经网络（B-PINN）框架，结合贝叶斯神经网络（BNN）和偏微分方程参数复合神经网络（PINN）以解决由偏微分方程和噪声数据描述的前向和反向非线性问题，并进行不确定性量化和 posterior 分布估计。

    Mar, 2020

  • 利用动态贝叶斯网络和神经网络对新冠病毒患者的病情严重程度进行分类

    本文使用动态贝叶斯网络和神经网络结合的方法，预测患者 40 小时内的生命体征和血液分析结果，并分类评估其疾病严重程度，以便将更有限的资源分配给需要重症监护的患者。

    Mar, 2023

  • 医疗保健中的贝叶斯网络：按疾病分布

    研究发现，近三分之二的医疗保健贝叶斯网络都集中在四种疾病：心脏疾病、癌症、心理障碍和肺部疾病上。该研究呼吁加强对 BN 的理解和推广，以发挥其在日常医疗实践中带来积极影响的全部潜力。

    Feb, 2020

  • 使用线性置信网络预测分布

    该论文介绍了一种新的网络类型 —— 线性化置信网（LBN）—— 它是实值条件分布的普遍逼近器，并且能够有效地训练，在图像去噪和面部表情生成等任务中取得了最先进的结果。

    Nov, 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

  • 贝叶斯网络推断的差分方法

    本文提出了一种新的贝叶斯网络推断方法，主要基于偏微分，其中将贝叶斯网络编译成多变量多项式，然后计算关于每个变量的偏导数，从而可以在固定时间内回答一类概率查询，具有独特的综合性和计算复杂性。

    Jan, 2013

  • 二值神经网络的网络反演

    该论文介绍了一种将训练好的二进制神经网络转化为捕捉网络结构的 CNF 公式的新方法，以实现推理和反演。

    Feb, 2024

  • 基于物理信息可逆神经网络的高效贝叶斯反问题推断

    提出了使用物理知识的可逆神经网络 (PI-INN) 来解决贝叶斯反问题的新方法，其中包括 INN 和 NB-Net 两个子网络来提高估计后验概率分布的可行性，并采用新的独立损失项来保证 INN 输出的统计独立性，通过数值实验验证了其高效性和准确性。

    Apr, 2023

  • 贝叶斯超网络

    本论文介绍了 Bayesian hypernetworks 这一神经网络近似贝叶斯推断的框架，并通过可逆的变换实现了对其他神经网络参数的高效估计及其复杂后验分布多模式近似。实际应用表明，Bayesian hypernets 能够比 dropout 更好地抵御对抗样本攻击，并在正则化、主动学习和异常检测等一系列任务上表现出竞争力。

    Oct, 2017

  • CCBNet：保密的协作贝叶斯网络推理

    制造业需要大规模流程优化，而 CCBNet 是首个保密的协作贝叶斯网络推断框架，利用秘密共享安全分析各方模型的联合知识，实现与集中式方法相似的预测质量。

    May, 2024