敏感度感知的摊还贝叶斯推断
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
本研究针对基于贝叶斯神经网络的黑盒概率模型,提出了一种新的敏感性分析方法,旨在增强对预测不确定性的理解和解释能力,并在真实数据集上进行了验证。
Dec, 2017
提出一种方法,通过利用概率联合模型 $p (heta, y)$ 中的通用对称性,提高摊销贝叶斯推理 (ABI) 的效率和准确性。通过对联合模型的近似表示,根据逆向贝叶斯定理估计边缘似然,并将对称性破坏作为损失函数来加速条件神经密度估计器的学习动态。将该方法应用于具有显式似然函数 (基于似然) 的双峰玩具问题和具有隐式似然函数 (基于模拟) 的现实模型。
Oct, 2023
本研究提出了一种基于神经网络的 ACE 方法,通过代替可能过于严格的贝叶斯后验分布,使用适应数据的成本函数来进行科学模拟器的仿真推断,从而同时减少了计算成本和提高了精度。
May, 2023
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
基于模拟的方法对于统计推断发展迅速,过去 50 年随着技术进步,如今它又迎来一次革命,利用神经网络、优化库和图形处理器进行学习数据和推断目标之间复杂映射,从而快速实现推断。本文回顾了最近在点估计、近似贝叶斯推断、自动构建摘要统计以及似然函数近似等方面取得的进展。综述还包括可用的软件,并通过一个简单实例展示了可用于快速推断的工具及其比起最先进的马尔可夫链蒙特卡洛方法所带来的好处。文章最后总结了相关主题,展望了未来的研究方向。
Apr, 2024
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
引入校准项到神经模型的训练目标中,通过放松经典校准误差公式,我们提出了一种方法来解决现有算法对后验不确定性估计准确性的挑战,该方法适用于现有计算流程,实现可靠的黑盒后验推断,并在六个基准问题上经验证明具有竞争性或更好的结果。
Oct, 2023
本文提出了使用近似贝叶斯计算法 (ABC) 和神经网络来解决单个神经元动态机制模型的建立和参数估计中的挑战,旨在为神经科学家提供一种能够在复杂神经元模型上进行贝叶斯推断的方法。
Nov, 2017