该研究提出了使用贝叶斯优化技术来调节支持向量机、随机森林和 k - 最近邻算法参数的异常检测框架，并使用 ISCX 2012 数据集评估了这些算法的性能，结果显示该框架在准确率、精度、误报率和召回率方面具有显著效果。

Aug, 2020

本文提出了一种称为 CIBer 的新技术，该技术能够克服朴素贝叶斯方法带来的挑战并实现特征的最优分区，我们在不同的数据集上清楚地展示了我们技术的有效性，在比如随机森林和 XGBoost 等模型中，我们实现了更低的误差率和更高或相等的准确性。

Apr, 2023

我们提出了一种稀疏版本的朴素贝叶斯分类器，考虑到协变量的相关性，可以使用不同的性能度量来选择特征，并且可以包括对高度相关的组的性能约束。研究结果表明，与其他特征选择方法相比，所提出的稀疏朴素贝叶斯分类器在准确性、稀疏性和运行时间方面都具有竞争力。在不平衡数据集或具有不同重要性的类别的情况下，可以实现更好的分类率平衡。

Jan, 2024

本研究提出了一种贝叶斯分层模型，通过对多个数据集上两个分类器的交叉验证结果进行联合分析，从而返回两个分类器准确度在实际上是否等价或显著不同的后验概率，并减少了估计误差。

Sep, 2016

本文探讨了多元 Bernoulli 分布作为一种模型估计具有二元节点的图结构； 该模型不仅能够估计节点之间的主要效应和两两交互作用，还能够建立更高阶互作用关系，包括复杂的 clique effects。通过与现有的图推断模型 - Ising 模型和多元高斯模型相比较，我们得出了许多关于此模型的有趣性质。

Jun, 2012

通过研究两种常见的变分方法，该文证明了在低不确定性区域之间不存在过多信息增加的情况，并提供了深度神经网络中的柔性不确定性估计的近似贝叶斯后验分布，但发现了类似于单隐层 ReLU 情况的病理现象。

Sep, 2019

本研究提出了一种简单直接的贝叶斯误差估计方法，可用于评估分类器和检测测试集过拟合。我们的方法灵活且无模型和实例需求，甚至适用于弱监督数据。实验结果表明，最近提出的深度网络，如 Vision Transformer 等，已经或即将达到基准数据集的贝叶斯误差。最后，我们还讨论了如何通过估计 ICLR 论文的贝叶斯误差来研究科学文章的接受 / 拒绝决策的困难程度。

Feb, 2022

本论文利用变分贝叶斯推断的框架探究贝叶斯分类器组合，应用于来自 Galaxy Zoo Supernovae 项目的真实数据，并展示出此方法远优于其他已有的不完美决策组合方法；最终，我们提出了一种动态贝叶斯分类器组合方法，研究了基础分类器性能随时间变化的情况，并分析了决策者的社区结构。

Jun, 2012

通过在 CNN 的内核上建立概率分布，使用伯努利变分分布来近似模型的不可切合后验，并将 dropout 网络训练视为 Bayesian 神经网络中的近似推理。相比于标准技术，我们的模型在小数据上具备更好的鲁棒性，并在 CIFAR-10 上的分类准确率上取得了发表的最新结果的显著改善。

Jun, 2015

本篇论文关注于深度学习中基于预训练模型所进行的线性评估，提出了朴素贝叶斯作为线性评估分类器的替代方案，在多分类情况下，我们发现，相对于逻辑回归，朴素贝叶斯需要更少的样本即可接近其渐近误差。

Feb, 2023