本研究提出了顺序神经可能性方法（SNL），这是一种用于贝叶斯推断的新方法，适用于具有难以计算可能性的模拟器模型，其中可以从模型中模拟数据。SNL在模拟数据上训练自回归流，以学习高后验密度区域可能性的模型。该论文表明，相对于相关的基于神经网络方法，SNL更加健壮，更准确并且需要较少的调整，并且讨论了用于评估校准，收敛和拟合优度的诊断方法。

May, 2018

本文介绍了一种基于神经网络和优化方法的似然比函数估计的方法，可用于工程和统计领域中的检测和假设检验问题。

Nov, 2019

本文提出了 MSPRT-TANDEM，这是一个用于多类时间序列分类的模型，通过先进、准确的技术帮助进行早期分类，同时引入 DRME 来解决 MSPRT 算法中所必需的密度问题。

May, 2021

本研究探讨了顺序非参数两样本和独立性检验的问题，提出了一种基于预测的赌博策略，用于解决高维结构化数据上核函数的选择问题。我们在实验中证明了这种方法优于基于核的方法，即使在数据分布随时间漂移的情况下，也仍然有效强大。

Apr, 2023

通过Surjective Sequential Neural Likelihood（SSNL）估计，我们提出了一种新的方法，用于在评估似然函数不可行且仅可使用生成合成数据的模拟器的模型中进行基于模拟的推断。SSNL采用一个降维的满射标准化流模型并将其用作替代似然函数，通过嵌入数据在低维空间中，解决了先前基于似然函数的方法在应用于高维数据集时遇到的问题。我们评估了SSNL在各种实验中的表现，并表明它通常优于在基于模拟的推断中使用的现代方法，比如在一个来自天体物理学的挑战性实际例子中，该例子使用太阳动力学模型来建模太阳的磁场强度。

Aug, 2023

我们开发了一个神经网络训练框架，用于不断训练少量的医学影像数据，并创建了在缺乏验证或测试集的情况下评估训练的启发式方法。

Sep, 2023

神经网络在各个问题领域取得了显著的表现，但其普适性受到其内在限制的阻碍，如预测上的过度自信、解释能力的欠缺和对对抗攻击的易受攻击性等。为了解决这些挑战，贝叶斯神经网络（BNNs）已成为传统神经网络的引人注目的扩展，在预测能力中整合了不确定性估计。本文系统地介绍了神经网络和贝叶斯推理的基本概念，阐明了它们对BNNs的协同集成的发展。目标受众包括具有贝叶斯方法背景但缺乏深度学习专业知识的统计学家，以及具有有限贝叶斯统计知识但精通深度神经网络的机器学习专家。我们概述了常用的先验知识，分析了它们对模型行为和性能的影响。此外，我们还深入探讨了在BNN研究领域内的先进主题，承认了不断进行的辩论和争议。通过提供对前沿发展的深入洞察，本文不仅为研究人员和实践者提供了BNNs方面的坚实基础，还展示了该动态领域的潜在应用。作为宝贵的资源，它促进对BNNs及其前景的理解，推动知识和创新的进一步发展。

Sep, 2023

我们提出了一种名为SST激活函数的方法，用于增强顺序模型在数据约束下的学习能力，并通过对手势语言识别、回归和时间序列分类等任务的实验验证，表明SST模型相比基线激活的循环神经网络模型具有更好的测试准确性。

Feb, 2024

基于模拟的推断方法需要准确建模p值函数或测试统计量的累积分布函数，通过使用神经网络模型近似采样分布以建模一维条件采样分布，从而提供可行的概率密度比方法的替代方案。

May, 2024

使用DNN编码模型预测视觉皮层神经元反应时，我们对其泛化能力进行了表征。通过收集来自猕猴颞下皮层的大规模神经群体反应数据集MacaqueITBench，我们研究了分布转移对预测神经活动模型的影响。结果显示，分布转移对于预测神经元响应的模型性能有很大影响，并且预训练对象识别模型提取的图像表示之间的余弦距离是神经预测性的强预测因子。

Jun, 2024