AAAIDec, 2020

贝叶斯神经网络高维水平集估计

PDF
TL;DR本篇论文提出了使用贝叶斯神经网络的新方法，从而解决高维度 Level Set Estimation 问题，并给出了两种问题的相应理论信息获取函数，进一步分析了我们拟议的获取函数的理论时间复杂度，并建议一种实际的方法来有效地调整网络超参数以实现高模型精度。我们在合成和真实数据集上进行了数字实验，证明我们的拟议方法比现有的最先进方法取得了更好的结果。
发现论文，激发创造
  • 神经经验贝叶斯

    本文提出了一种结合核密度估计和经验贝叶斯方法的新的非监督学习目标，并把优化问题抽象成为高维球体的交互。基于这一机制我们提出了两种新的算法框架：基于 Langevin MCMC 和经验贝叶斯的 “步进 - 跳跃” 采样方案和一个概率框架用于联想记忆，称为 NEBULA。

    Mar, 2019

  • 一种用于异常值检测的近似贝叶斯长短期记忆算法

    本研究提出使用 Ensemble Kalman Filter 对神经网络权重的不确定性进行近似估计，结合最大似然估计优化噪声分布协方差，以应用于通过 Twitter 平台检测真实世界事件中的异常值。

    Dec, 2017

  • 深度弱非线性网络的贝叶斯推断

    在大量训练数据、输入维度、网络层宽度和网络深度同时很大的情况下，我们展示了贝叶斯推断与全连接神经网络和形状非线性的关系，并提供了计算模型证据和后验的技术，结果表明神经网络贝叶斯推断与使用核函数的贝叶斯推断相一致，当网络层宽度大于深度和训练集大小时，神经网络贝叶斯推断的深度是一个有效的参数。

    May, 2024

  • 从贝叶斯稀疏到门控循环神经网络

    本文指出，关于促进稀疏性的更强大的贝叶斯算法具有类似于长短期记忆 (LSTM) 网络或先前设计用于序列预测的替代门控反馈网络的结构，从而导致了一种新的稀疏估计系统，当授予训练数据时，可以在其他算法失败的方案中高效地估计最优解，包括在实际方向 - 到达 (DOA) 和三维几何恢复问题中。

    Jun, 2017

  • 应用神经网络的贝叶斯经济模拟模型估计

    近年来，由于计算能力的提高和灵活性的增强，模拟模型在经济学中变得越来越普遍。本文提出了一种使用深度神经网络构建类似于似然函数的近似方法以进行贝叶斯估计的方法，用于解决传统频率学派估计方法难以解决的问题，并对其进行了检验。总的来说，我们发现我们提出的方法在金融异质代理模型的估计以及模型中变化动力学的识别等多种情境下，能够持续地获得更准确的估计结果。

    Jun, 2019

  • 深度学习时代的可扩展贝叶斯推断：从高斯过程到深度神经网络

    本论文介绍了一种将大型神经网络装备上模型的不确定性的方法，并应用了这个方法在 ResNet-50 和深度图像先验网络上进行了实验。

    Apr, 2024

  • 非线性回归模型的近似贝叶斯计算

    介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。

    Sep, 2008

  • 基于神经模拟的事件集层级推理

    本文介绍了一种利用神经估计器进行概率推断的方法，针对具有层次结构的模型，从实际应用的角度出发，利用粒子碰撞数据和强引力透镜观测数据进行案例研究并得出相应的结论。

    Jun, 2023

  • 贝叶斯深度知识

    本文探讨了应用于深度神经网络中的贝叶斯参数估计问题，提出了一种压缩 Monte Carlo 近似方法的新算法，与贝叶斯神经网络中的其他两种方法作了对比，证明了该算法不仅表现更优，而且更简单易于实现且测试所需运算资源更少。

    Jun, 2015

  • 量子多参数估计的深度强化学习

    本研究提出了一种基于深度学习和强化学习的模型无关方法，实现了实际的贝叶斯量子计量任务，并在一个集成光电电路上证明了比标准方法更高的测量性能，这是实现完全基于人工智能的量子计量的重要一步。

    Sep, 2022