CCBNet:保密的协作贝叶斯网络推理
提出了一种称为双向推理网络(BIN)的方法,它可以将多个概率神经网络缝合在一起,以建模变量之间的条件依赖关系,并通过迭代更新变量来进行预测。同时,将 BIN 扩展到了复合 BIN(CBIN),通过自适应平滑优化器的方法,在训练阶段的迭代预测过程中提高了精度和计算效率,并在人工合成数据集和真实数据集上展示了 CBIN 单个模型可以实现最先进的性能,而且在大多数推理任务中比为不同任务专门训练的多个模型获得更高的准确性。
Feb, 2019
Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识,实现了较大的结构准确性提升,并提供更有效地利用人类专业知识的方法,促进结构学习过程的透明度。
Oct, 2023
本文提出了一种基于多核 CPU 的快速解决方案 Fast-BNS,用于加速贝叶斯网络结构学习,通过动态工作池设计、CI 测试分组、缓存友好数据存储和实时生成条件集等优化措施,实现了对处理时间和内存使用的有效控制,并在综合实验研究中证明了其相对于当前多线程技术的显著加速效果。
Dec, 2022
这篇论文介绍了一种量子 - 经典贝叶斯神经网络 (QCBNN),能够对经典医学数据集进行具有不确定性意识的分类。该模型是经典卷积神经网络和生成随机权重的量子电路在贝叶斯学习框架中的协同作用。通过跟踪多个行为度量指标,本研究的目标是创建一个混合模型,能够以更具不确定性的方式对样本进行分类,从而提高这些模型的可信度,并使其更接近工业应用。通过对量子电路的多种设置进行测试,得出最佳架构在正确和错误样本之间显示出更大的不确定性差距,同时稍微降低了预测性能。该论文的创新点有两个:(1) 结合不同方法,使量子电路的随机权重能够连续化,从而使模型能够对应用驱动的数据集进行分类;(2) 研究量子电路的架构特征对这些模型的影响,为进一步研究更加明智的架构设计铺平了道路。
Jun, 2024
本文提出一种新颖的网络架构搜索 (NAS) 方法,用于优化 Bayesian 神经网络(BNN)的精度和不确定性,同时减少推理延迟。与传统的 NAS 不同,该方法使用来自内部和外部分布的数据搜索模型的不确定性性能,从而可以在网络中搜索贝叶斯层的正确位置,并且相对于流行的 BNN 基线,使用的运行时仅为其一小部分,将推理运行时成本分别与 MCDropout 和 deep ensemble 相比在 CIFAR10 数据集上分别降低了 2.98 倍和 2.92 倍。
Feb, 2022
本研究提出了一种名为 Collaborating Networks (CN) 的方法,利用两个神经网络来近似回归的累积分布函数及其反函数,实现预测分布的估算,该方法具有高度的一致性、准确性和鲁棒性,在电子健康记录等领域应用具有重要意义。
Feb, 2020
我们提出一种名为 CaPC 的机器学习方法,通过使用安全的多方计算和同态加密等技术,实现在协作学习环境中同时满足数据保密性和隐私性的要求,各方不需要显式地加入其培训集或训练集中央模型,且每个参与者都能够获得更高的准确性和公正性。
Feb, 2021
本文介绍了一个针对连续时间贝叶斯网络(CTBNs)的参数和结构学习方法,提出一种共轭先验用于贝叶斯参数估计和贝叶斯结构学习评分,CTBNs 可以更好地适应不同变量演化的时间粒度,相较于动态贝叶斯网络有着很大的优势。
Oct, 2012
本研究提出了一种基于贝叶斯网络的自然语言处理方法,可以预测和分析上下文,并可以应用于社区问答领域,通过与基线模型的比较,我们的方法在精度指标方面表现更好,同时讨论了罚项对贝叶斯网络结构的影响,以及有向无环图在分析语义关系方面的可视化表示。
Feb, 2023