Jun, 2023

因子图中的模型比较自动化

PDF
TL;DR本文利用消息传递机制，结合 Forney 样式因子图的混合节点，提出了一种高效的贝叶斯模型平均、选择和组合方法，可同时进行参数和状态推理，并可以用于模型比较，缩短了模型设计周期，可以便捷地扩展到基于层次模型和时间模型的应用。
bayesianmodel comparisonautomatedmessage passingtime-varying processes
发现论文，激发创造
  • 自动模型比较：一种自适应顺序蒙特卡罗方法

    使用序贯蒙特卡罗取样策略来刻画收集一系列模型以及这些模型的参数的后验分布，以及比较其它技术的性能表明，该方法在相等的计算代价和较少的特定应用类型的实施工作情况下总是竞争性的，并且往往比替代技术优越得多。

    Mar, 2013

  • 在最优因子范围内找到所有贝叶斯网络结构

    提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

    Nov, 2018

  • 基于消息传递的布尔矩阵分解和噪声补全

    通过图模型和传递信息的方法，本文提出一种处理布尔矩阵分解和噪声下的布尔矩阵完成的方法，可线性处理观察点和因子数量，实验结果表明该方法在实际应用中可以较好地恢复低秩布尔矩阵。

    Sep, 2015

  • 自动化机器学习的概率矩阵分解

    本文提出结合协同过滤和贝叶斯优化的方法，利用概率矩阵分解和贝叶斯优化选取数据预处理方法和机器学习模型，以自动化地完成机器学习管道的选择和调整任务，实现了在多个数据集上大幅超越现有最佳方法的性能。

    May, 2017

  • 贝叶斯最优矩阵分解中的相变和样本复杂度

    使用统计力学工具分析了矩阵分解问题的可实现性和计算可处理性，在贝叶斯最优推断设置下计算任意计算时间内可能实现的最小均方误差和有效近似迭代推理算法可以达到的误差。

    Feb, 2014

  • 基于贝叶斯积分的自动模型选择

    本文提出了一种新颖的技术，将贝叶斯积分方法用于模型选择，并在合成和实际例子上证明该技术通过最大化后验概率与模型似然观察之间的互信息，在计算上消耗更少的模型似然性评估，并且可以生产更精确的模型后验评估。

    Feb, 2019

  • 受挫系统上的局部消息传递

    基于数据驱动优化的替代消息传递算法，可在环形图上实现更好的表现和性能，适用于各种科学领域，并且还开发了一种新型损失函数以实现无监督训练。

    Jun, 2023

  • 贝叶斯布尔矩阵分解

    介绍了一种概率生成模型 ——OrMachine，用于布尔矩阵分解和推导出马尔科夫链蒙特卡罗 (Metropolised Gibbs) 采样器，实现了高效的并行后验推断，并在真实世界和模拟数据上优于目前所有现有的布尔矩阵分解和完整方法，首次为布尔矩阵分解提供了完整的后验推断，在协同过滤中用于控制假阳性率，并关键地提高了推断模式的可解释性。提出的算法在通用硬件上扩展到大型数据集，如在 1.3 百万只老鼠脑细胞上分析 11 千个基因的单细胞基因表达。

    Feb, 2017

  • 自适应信息传递：缓解过度平滑、过度压缩和未能到达的通用框架

    通过在变分推断框架中赋予消息传递架构自由适应其深度和筛选消息的能力，本研究提出了一种能够更好捕捉长程相互作用的简单策略，并在与该问题相关的五个节点和图预测数据集上超越了现有技术水平，稳定提高了基线方法在这些任务上的性能。

    Dec, 2023

  • 使用堆叠方法对贝叶斯预测分布进行平均

    我们提出了一种基于预测分布的 Stacking 方法，利用 Pareto-smooth 重要性采样计算所需的单次观察后验分布和正则化以获得更好的稳定性，比较结果表明我们的方法在计算成本可接受的情况下优于其它方法。

    Apr, 2017