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
本文提出了一种可扩展的贝叶斯非参数学习方法,通过优化适当随机化的目标函数实现后验抽样,一个未知数据分布的狄利克雷过程先验考虑到了模型建立错误,并允许具有尴尬并行事后自举算法的非参数后验分布的独立和精确的样本生成,从而特别擅长从多峰后验分布中抽样。
Feb, 2019
提出了一种用于创建基于贝叶斯非参数模型的流式分布式推理算法的方法,其中处理节点接收数据小批量序列,为每个小批量计算变分后验,并对中央模型进行异步流式更新。
Oct, 2015
提出了一种新的基于神经网络的自适应后验变换方法,APT 可以用任意动态更新的提议来修改后验估计,采用流形密度估计器,具有更高的灵活性、可伸缩性和效率,并能直接处理高维时间序列和图像数据,并可开展无似然推断。
May, 2019
从非参数贝叶斯模型中提取归纳偏好并将其转移到人工神经网络,使得神经电路能够在开放类集合上成功进行顺序推理,实现了与基于粒子滤波器方法相当甚至更好的性能,并且速度更快、使用更简单。
Nov, 2023
本文提出了一种半参数神经机器翻译方法,采用 n-gram 级别的检索方法和表现出色的非参数特性,针对神经网络在训练过程中的参数漂移而提出的而提高网络的鲁棒性的问题,在四种测试数据集上取得了优异的表现,进一步打开了使用非参数方法进行领域自适应的大门。
提出了 PnP-TTT 这种新方法来克服 PnP 方法中的分布偏移问题,通过在 PnP 迭代的固定点上优化自监督损失来应用于单个测试样本以改善 PnP 的泛化能力。模拟实验表明,在测量次数足够的情况下,PnP-TTT 可以使用在自然图像上训练的图像先验进行磁共振成像(MRI)的图像重建。
我们提出了一种基于概率神经网络和贝叶斯传递学习的锐度感知贝叶斯模型平均方法,通过寻找平的极小值来提高模型的泛化性能。
Jun, 2024
通过使用非参数核回归进行采样,我们提出了一种新颖的采样分布,它能够在神经网络训练过程中学习到有效的重要性评分。我们的采样算法在墙钟时间和准确性上优于基准算法。
本研究提出了一种贝叶斯迁移学习框架,该框架利用源域和目标域之间的联合先验密度,定义高斯特征 - 标签分布的精度矩阵的联合 Wishart 密度作为一种转移有用信息的桥梁,提高了目标区域的分类性能。该方法是一种快速、基于闭式形式的最优贝叶斯迁移学习分类器,实验证明了其性能优于其他最先进的迁移学习和域适应方法。
Jan, 2018