May, 2023

Evidence Networks: 快速摊销、神经贝叶斯模型比较的简单损失

HTML
PDF
TL;DR通过引入泄漏偶功率转换 (l-POP)，利用前馈神经网络和函数的最优分类，提出了一种快速准确估计贝叶斯因子的方法，即使用Evidence Networks在处理难以解决的概率尺度时比神经密度估计更准确且规模较小，并且具有广泛的模型推理任务应用，包括引力透镜数据的bayes因子计算和其他模型比较和评估的隐式推断问题。
发现论文，激发创造
  • AIS-BN：用于大型贝叶斯网络证据推理的自适应重要性采样算法

    该论文提出了一种自适应重要性抽样算法(AIS-BN)，其在极端条件下表现出有前途的收敛率且一致优于现有采样算法，在多个测试案例中达到了数量级的精度和速度改进。

    Jun, 2011

  • 贝叶斯网络中精确贝叶斯结构发现的进展

    本文介绍了一种贝叶斯方法用于从完整数据中学习贝叶斯网络结构，并使用前向-后向技术和快速莫比乌斯变换算法实现了对所有潜在边缘后验概率的计算，从而加速了学习中等大小网络的统计能力的实验研究。

    Jun, 2012

  • 学习贝叶斯网络：知识与统计数据的结合

    本文提出一种从用户知识和统计数据中学习贝叶斯网络的算法，包括评分度量和搜索过程，并探索了度量的两个重要性质以及本领域相关算法的评估方法。

    Feb, 2013

  • 贝叶斯神经网络中基于损失校准的近似推断

    本文提出了一种基于Bayesian决策理论的新的、具有损失校准的证据下界来近似贝叶斯神经网络的真实后验分布，该下界依赖于一种效用函数，以确保我们的逼近方法对于具有非对称效用函数的应用程序具有更高的效用。此外，该方法具有与标准dropout神经网络相同的目标，但具有额外的依赖于效用函数的惩罚项。

    May, 2018

  • 摊销贝叶斯推断的对抗鲁棒性

    研究了Bayesian推断中一种新的方法——摊销贝叶斯推断的鲁棒性，提出了一种基于Fisher信息的正则化方案，实验结果表明该方案可以提高模型对干扰攻击的抵抗力。

    May, 2023

  • BayesFlow: 具有神经网络的摊余贝叶斯工作流程

    介绍了Python库BayesFlow，它通过模拟训练已知的神经网络体系结构实现了摊销数据压缩和推断的分析，训练后的神经网络几乎可以立即执行推断。

    Jun, 2023

  • 贝叶斯神经网络初识：评述与争议

    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

  • 敏感度感知的摊还贝叶斯推断

    我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。

    Oct, 2023

  • 使用神经网络检测摊余贝叶斯推断中的模型错误：一项扩展研究

    在模拟基础推理中，我们研究了模拟程序不准确表示真实系统行为对推理结果的影响，并提出了一种能够可靠检测模型错误规范性的新度量标准。实验证明，这个度量标准对于警示用户可疑输出、当预测结果不可靠时发出警告，并引导模型设计者寻找更好的模拟器具有很大的实用性。

    Jun, 2024

  • 从数据中学习动态贝叶斯网络: 基础，原理和数值比较

    本文简要介绍了学习动态贝叶斯网络（DBNs）的基本原理及其在变量分布、学习方法和优化方面的应用。

    Jun, 2024