Jun, 2024

基于贝叶斯神经网络的随机优化问题学习解决方案

PDF
TL;DR使用贝叶斯神经网络和随机规划技术的预测不确定性建模，以降低决策风险和提高决策质量。
parametrized optimization problemsprediction uncertaintybayesian neural networksstochastic programmingend-to-end learning
发现论文，激发创造
  • 基于贝叶斯视角的随机优化端到端学习

    为了在随机优化中实现端对端学习，我们发展了一种基于贝叶斯解释的算法，并提出了一种训练决策映射的全新算法，用于输出经验风险最小化和分布式鲁棒优化问题的解决方案。通过对合成售货员问题和基于真实数据的经济调度问题进行数值实验，阐明了替代培训方案之间的关键差异以及决策映射的神经网络架构对测试性能的影响。

    Jun, 2023

  • 贝叶斯神经网络代理在贝叶斯优化中的研究

    研究使用贝叶斯神经网络作为替代标准高斯过程代理模型进行优化，并比较了多种不同的近似推理程序，发现在不同问题中，方法的排名高度依赖于问题本身。其中，在高维问题中，无限宽度的贝叶斯神经网络特别有前途。

    May, 2023

  • 贝叶斯神经网络中的随机动力系统学习与策略搜索

    本研究提出了一种基于模型的强化学习算法，它将贝叶斯神经网络与随机展开和随机优化策略相结合，并通过最小化 α- 散度来训练 BNNs 以捕获转换动态中复杂的统计模式，解决了传统方法容易失误的多模态和异方差问题，并在控制燃气轮机的真实场景中获得了有希望的结果。

    May, 2016

  • Kalman 贝叶斯神经网络用于封闭形式的在线学习

    本文提出了一种通过闭合式贝叶斯推断方法来学习贝叶斯神经网络的新方法，其中将预测分布的计算和权重分布的更新建模为贝叶斯滤波和平滑问题，并通过将权重建模为高斯随机变量的方法，使网络参数的训练具有连续性且无需梯度下降优化方法。该方法在多个 UCI 数据集上进行了演示，并与现有技术进行了比较。

    Oct, 2021

  • 通过贝叶斯学习深度神经网络结构来度量不确定性

    这篇研究论文探究了一种新型的贝叶斯深度学习，通过在网络结构上执行贝叶斯推断来加强深度网络的不确定性估计，并提出了一种有效的随机变分推断方法，以统一网络结构和权重的学习。

    Nov, 2019

  • 模型和参数不确定性下的贝叶斯神经网络变分推断

    本研究旨在利用模型不确定性作为 BNN 结构学习的框架，提出了可与模型空间约束结合的可扩展变分推理方法，试图在模型和参数的联合空间中进行推理，进而实现结构和参数不确定性的组合，并在基准数据集上进行了实验，表明使方法比普通 Bayesian neural networks 更加稀疏，但得到了与竞争模型相当的精度结果。

    May, 2023

  • 高维度不确定性量化的贝叶斯深度学习框架

    本研究提出了一种基于贝叶斯神经网络和哈密顿蒙特卡罗的新型深度学习方法，用于量化随机偏微分方程中的不确定性。通过多个数值实例，证明了该方法对于高维度前向和反向问题的不确定性量化是有效的。同时发现该方法的计算成本几乎不受问题维度的影响，具有处理所谓的维数灾难的潜力。

    Oct, 2022

  • 量化物理信息神经网络解决正向和反向随机问题的总不确定性

    通过使用随机数据和 dropout 法来分别表示参数不确定性和近似不确定性，将经典的 PINN（物理信息神经网络）与 NN-aPC 的推广相结合，扩展了我们的工作到多维随机偏微分方程。

    Sep, 2018

  • 具有潜变量的贝叶斯神经网络中的不确定性分解

    本文研究贝叶斯神经网络和潜在变量的概率模型，使用信息论方法和风险敏感目标分别将预测不确定性分解为认知和概率性成分，以解决主动学习和安全强化学习等领域中的模型偏差问题。

    Jun, 2017

  • 决策导向的预测：悲观双层优化的计算研究

    不确定性优化参数的处理是一个重要且长期存在的挑战，本研究致力于通过构建决策导向的预测模型来减少决策对不确定参数的敏感性，并将其建模为一种非凸二次优化问题以实现可行性。

    Dec, 2023