Nov, 2023

空间贝叶斯神经网络

PDF
TL;DR我们提出了一种新的灵活类的空间过程模型，称为空间贝叶斯神经网络（SBNNs），它通过将空间嵌入层和可能的空间变化的网络参数结合到贝叶斯神经网络中，能更好地匹配目标过程的有限维分布。
spatial bayesian neural networksspatial processesspatial heterogeneitybnnsgaussian processes
发现论文，激发创造
  • 利用空间约束贝叶斯网络（SCB-Net）增强岩性绘图：一种基于现场数据约束预测和不确定性评估的方法

    地质图、地统计技术、空间约束贝叶斯网络、辅助变量、深度神经网络在地理统计学中的应用

    Mar, 2024

  • 带贝叶斯神经场的可扩展时空预测

    贝叶斯神经场（BayesNF）是一种域通用的统计模型，用于推断时空域上丰富的概率分布，可用于包括预测、插值和变异图在内的数据分析任务。

    Mar, 2024

  • 模糊效应如同集合：空间平滑以提高准确性、不确定性和鲁棒性

    本文提出了一种名为 “空间平滑” 的方法，通过对卷积神经网络中相邻的特征点进行空间集成，以减少 Bayesian 神经网络（BNNs）在可靠结果需要预测大量次数的计算代价，实验证明该方法在一系列集合大小上提高了 BNNs 的准确性、不确定性估计和鲁棒性。同时，该方法亦可用于传统的确定性神经网络，并且此前的一些方法，如全局平均池化、预激活和 ReLU6，亦可被看作空间平滑的特殊情况，可用于改善神经网络的准确性、不确定性估计和鲁棒性。

    May, 2021

  • 利用潜在二元变量和归一化流稀疏化贝叶斯神经网络

    本文介绍了使用本地重新参数化技巧（LRT）和归一化流在 LBBNN 方法的变分后验分布上的应用，以改进预测性能并获得更稀疏的网络，通过两个模拟研究证明这些贝叶斯方法的使用可以得到更为实际的预测不确定性估计。

    May, 2023

  • 空间环境下的近似贝叶斯推理

    该论文介绍了一种基于模型的方法，利用概率推理和深度生成模型的方法，解决在空间环境中的定位、绘图、导航或自主探索等问题，并能够灵活地从数据中学习。该方法在两个不同的模拟环境中表现出了与专业最新方法相当的性能。

    May, 2018

  • 贝叶斯神经网络：简介和调查

    本研究介绍贝叶斯神经网络的实现方法，比较不同的近似推理方法，探讨如何在当前方法的基础上改进未来研究。

    Jun, 2020

  • 脉冲神经网络 -- 第二部分：检测时空模式

    本文从认知神经科学方面入手，分析了 Spiking Neural Networks 这种新型生物神经样本学习 / 数据处理模型在模型、训练算法上面的优点和缺点，其中使用了概率模型和时间反向传播算法解决了部分难点，最后在神经元数据集上进行了对比实验.

    Oct, 2020

  • 地理空间数据的神经网络

    本文提出一种新的神经网络估计算法 NN-GLS，利用广义最小二乘（GLS）明确地考虑了空间协方差，从而实现非线性均值，并使用克里金法对新位置进行预测。 作者证明了 NN-GLS 对于不规则的空间相关数据过程是一致的，同时将该算法演示在模拟和实际数据集中。

    Apr, 2023

  • 基于图神经网络的时空外推技术

    本文研究了在图形上从周围环境生成目标位置数据的时空外推任务，提出了具有不确定性估计和强大学习能力的空间 - 时间图神经过程模型，并使用贝叶斯聚合算法在转移过程中对上下文数据和图形结构进行了考虑。

    May, 2023

  • 掩码贝叶斯神经网络：理论保证及其后验推断

    提出利用贝叶斯方法学习深度神经网络中的节点稀疏贝叶斯神经网络模型，证明其后验浓度速率接近最小最优和适应真实模型的平滑程度，并开发了一种新的 MCMC 算法，以实现节点稀疏 BNN 模型的贝叶斯推断。

    May, 2023