本文提出一种新的贝叶斯模型无关元学习方法,结合可伸缩的基于梯度的元学习和非参数变分推断,通过一个有原则的概率框架去学习复杂的不确定性结构,并且在 meta-update 时使用鲁棒的贝叶斯 meta-update 机制防止过拟合。此方法在各种任务中展现了准确性和鲁棒性。
Jun, 2018
本研究提出了一种新的技术方法,将贝叶斯非参数回归混合模型与多个弹性网络相结合,从而提取目标模型的可推广见解。通过在图像识别的上下文中对不同的机器学习模型进行评估,实验结果表明,我们提出的方法不仅在解释个别决策方面优于现有技术,而且为用户提供了发现目标机器学习模型漏洞的能力。
Nov, 2018
通过使用元学习方法从符号贝叶斯模型的先验分布生成一组任务集,我们能够将快速概念学习所需的归纳偏倚转移到神经网络中,创造出具有对短逻辑公式表达的概念存在偏倚的神经网络,这些结果与人类表现高度一致。
Feb, 2024
提出了一种基于贝叶斯非参数方法的、不需要假定模型真实的学习方法,该方法利用统计模型但不要求模型真实,并且具有比参数模型更好的性质,并可通过蒙特卡罗采样方案在现代计算机架构上实现大规模计算。
本研究旨在探究当前的序列预测模型及训练方法对于基于内隐元学习的解释有多大实现能力,特别是对于具有未观测切换点的分段平稳信号的处理,发现使用记忆型神经模型,包括 Transformers, LSTMs 以及 RNNs 等,可以准确地近似知道的基于 Bayes 最优算法,表现出对于隐含的切换点和每个分段内的数据分布参数进行贝叶斯推断的能力。
Feb, 2023
贝叶斯非参数模型为统计模型选择提供了灵活而强大的框架,使模型复杂性能够适应不同数据集的复杂性,尤其在统计学、计算机科学和电气工程等领域解决复杂挑战方面具有重要意义。本调查意在阐明这些非参数模型的基本特性和理论基础,提供贝叶斯非参数模型的全面理解,并介绍它们在多目标跟踪领域解决复杂问题的相关性。通过这一探索,我们揭示了贝叶斯非参数方法的多样性和功效,为不同学科的复杂问题开辟了创新解决方案的道路。
Mar, 2024
该研究介绍了如何使用贝叶斯非参数理论来建模并分析复杂网络,特别是使用无限混合模型作为案例来演示,包括通过马尔科夫蒙特卡罗推断模型参数,并通过检查模型的适配性和预测性能来验证模型。
Dec, 2013
本文介绍了一种 Bayesian nonparametric framework,用于 federated learning 问题,其通过 neural networks 对每个数据服务器提供的本地权值进行建模,并且提出了一种推理方法,以在单个通信回合或很少的通信回合中合成更多表达性的全局网络。这种方法在两个流行的图像分类数据集的 federated learning 问题上得到了很好的应用效果。
May, 2019
本论文研究了层次贝叶斯网络和具有随机隐藏单元的神经网络,表明通过在潜在变量的中心化和可微非中心化参数化之间切换,这两种类型的模型可以相互转换,并且给出了各种参数化的优缺点及推断方法。在非中心形式中,可以使用简单的蒙特卡洛估计器来学习参数。理论结果得到了实验证实。
Feb, 2014
这篇论文介绍了一种基于双非参数贝叶斯高斯混合模型的非穷举学习算法,它能够适应真实问题中的非平稳性质,并可应用于包含无穷多种类及其组件的问题。多次实验表明,该模型在非穷举学习中取得了良好的性能。
Aug, 2019