Apr, 2020

一种贝叶斯机器科学家用于帮助解决复杂科学问题的方法

PDF
TL;DR引入了一种贝叶斯机器科学家，它使用对模型的后验分布的明确逼近来确定模型的合理性，并通过从数学表达式的大量经验语料库中进行学习来确定模型的先验期望。该方法可以自动从数据中提取精确的模型，并且在合成数据和真实数据上提供比现有方法和其他非参数方法更准确的外样本预测。
mathematical modelsdata revolutionmachine scientistsbayesianmarkov chain monte carlo
发现论文，激发创造
  • 机器学习与贝叶斯计算的未来

    概述：本文使用贝叶斯模型解决了复杂数据的建模问题，提出了通过机器学习的方法来改善后验计算的潜力，并探讨了正则化流、贝叶斯核平衡、分布式贝叶斯推理和变分推理等未来的具体发展方向。

    Apr, 2023

  • 面向通用、可扩展的贝叶斯教学框架及其在主题模型中的应用

    通过基于人类教学的伪边际抽样实现机器学习的普适性教学方法，成功地在主题模型上进行训练，并在电影简介数据中验证了该方法的优势。

    May, 2016

  • 智能机器时代的贝叶斯

    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

  • 可扩展的贝叶斯学习与后验概率

    通过引入易于扩展的 PyTorch 库 posteriors，我们在理论上具有吸引力的贝叶斯学习与现代机器学习模型的计算挑战得以克服，从而使得贝叶斯学习在大规模数据和参数范围下变得可访问且可扩展；通过在 posteriors 实现中引入一种温度设定的随机梯度马尔可夫链蒙特卡洛方法，平稳过渡到优化，并揭示了深度集成的一种次要修改，以确保它们对贝叶斯后验具有渐进无偏性；通过包括对冷后验效应的研究和对大型语言模型的应用实验来展示和比较贝叶斯近似的实用性。

    May, 2024

  • 一种贝叶斯方法用于使用计算密集模型进行参数估计和预测

    本研究提出了一种基于贝叶斯模型校准的方法，通过统计公式将计算模型的输出与物理测量结果结合，从而进行推理，并估算了原子核的质量参数。

    Jul, 2014

  • 深度学习模型解释 - 一种贝叶斯非参数方法

    本研究提出了一种新的技术方法，将贝叶斯非参数回归混合模型与多个弹性网络相结合，从而提取目标模型的可推广见解。通过在图像识别的上下文中对不同的机器学习模型进行评估，实验结果表明，我们提出的方法不仅在解释个别决策方面优于现有技术，而且为用户提供了发现目标机器学习模型漏洞的能力。

    Nov, 2018

  • 关于近贝叶斯最优算法的不确定性量化

    本文介绍了一种用于解决常用机器学习算法的贝叶斯推断问题的新方法，证明了通过构建一个 martingale 后验分布，可以恢复由任务分布定义的贝叶斯后验。同时提出了一种适用于通用机器学习算法的实用不确定性量化方法，实验证明了该方法的有效性。

    Mar, 2024

  • 贝叶斯方法在大型学习中的应用

    本文综述了大数据时代的机器学习中贝叶斯方法的最新进展，其中包括调整模型复杂度的非参数贝叶斯方法、通过后验正则化提高灵活性的正则贝叶斯推断，以及基于随机子采样和分布式计算的可扩展算法和系统。

    Nov, 2014

  • 将贝叶斯先验蒸馏到人工神经网络中，模拟快速语言学习

    将贝叶斯模型的归纳偏差与神经网络的灵活表示相结合，使得从自然语素材中有限学习成为可能。

    May, 2023

  • 多项式信念网络

    基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析，通过数据驱动方式提取具有生物学意义的元签名。

    Nov, 2023