- 看起来比那个更好：使用 ProtoPNeXt 获得更好的可解释模型
使用 ProtoPNeXt 框架，结合贝叶斯超参数调整和角度原型相似度度量，有效提高了原始 ProtoPNet 在 CUB-200 上的准确性，同时优化了原型的可解释性，产生了具有显著改进的模型。
- 通过神经网络的近似推理进行贝叶斯生存分析
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。
- 用于系外行星凌星和 $H_0$ 推断的核化、均值化和噪声化边际高斯过程
使用完全贝叶斯方法将高斯过程回归扩展到包括核选择和核超参数的边际化。同时通过证据执行贝叶斯模型比较，实现了直接核比较。方法在合成数据和实际天体测量中得到了验证。
- 因子图中的模型比较自动化
本文利用消息传递机制，结合 Forney 样式因子图的混合节点，提出了一种高效的贝叶斯模型平均、选择和组合方法，可同时进行参数和状态推理，并可以用于模型比较，缩短了模型设计周期，可以便捷地扩展到基于层次模型和时间模型的应用。
- 随机森林贝叶斯事后正则化
提出了基于贝叶斯思想的后处理随机森林正则化方法，旨在提高其在机器学习任务中的泛化性能并取得了令人满意的结果。
- 计数无限状态空间马尔可夫决策过程的贝叶斯学习最优策略
该研究提出了一种基于贝叶斯思想和汤普森抽样的算法来解决优化数量可数的马尔可夫决策过程的控制问题，在未知参数和固定先验分布的情况下，能够稳定地获得近似最优解，适用于诸如通信网络和计算系统等不确定动力系统以及一些数量可数的排队模型。
- 深度集成和（变分）贝叶斯方法之间的严密联系
本文建立了贝叶斯、变分贝叶斯和集成学习方法之间的第一个数学严谨联系，并将深度学习中常遇到的非凸优化问题重新表述为概率测度空间中的凸优化。我们通过 Wasserstein 梯度流的广义变分推理研究统一理论，这提供了各种看似不相关的方法（包括深 - DF2M：高维功能时间序列的可解释性深度贝叶斯非参数模型
本文介绍了一种用于分析高维功能时间序列的贝叶斯非参数模型 Deep Functional Factor Model (DF2M)，使用印度 Buffet 过程和多任务高斯过程以及深核函数来捕捉非马尔可夫和非线性时间动力学，并结合深度神经网络 - 深度神经网络是否具有内在的奥卡姆剃刀原理？
研究表明，深度神经网络成功的关键在于结构化数据，以及拥有一种像奥卡姆剃刀一般的归纳偏差，使其能够对抗复杂度呈指数级增长的函数，通过引入贝叶斯图像和随机梯度下降等方法，我们试图将网络架构、训练算法和数据结构三个组件相互分离。
- 面向视觉语言模型的 Patch-Token 对齐的贝叶斯提示学习
这篇文章介绍了一种基于贝叶斯概率理论的视觉 - 语言预训练模型关键词学习方法，该方法通过优化可视化知识和充分利用图像与相应提示的语义联系，在充分表达不同特性的同时保证泛化性能，该方法具有良好的转移性能和泛化性能，结果表明该方法比一般的提示工 - 在线内容竞争决策的全动态在线选择方案
本文提出了一种针对完全动态在线选择问题的在线争用解决方案方法，并展示了如何利用该方法在部分信息模型中构建无遗憾算法。
- 高效的贝叶斯不确定性估计方法，用于 nnU-Net
本文提出了一种新方法，通过后验采样的贝叶斯不确定性估计为 nnU-Net 的医学图像分割提供可靠性度量，同时通过较多的后验模型优化分割性能。在 ACDC 和 M&M 心脏 MRI 数据集上的实证表明，该方法比 Monte Carlo Dro - Bayesian 自编码器用于数据驱动的发现：坐标、控制方程和基本常数
通过 Bayesian SINDy autoencoders 技术，我们可以更好地掌握稀疏自动编码处理方法，并对物理发现进行更准确的估计，同时提供了我们想要的可靠的不确定性计量，因此我们可以将其应用于真实视频数据的物理学研究中。
- 基于层级贝叶斯心智理论解决幼儿直觉基准测试
使用基于层次贝叶斯心理理论的方法，在婴儿先天直觉测试基准中取得接近于完美的结果，表明了结构化的贝叶斯人类社交认知模型的优势，同时实现了可解释的人类化推理。
- 通过费舍尔信息和信息论量统一主动学习和主动采样方法
本文回顾了贝叶斯最优实验设计的基础，并表明被称为期望信息增益或 BALD 的预测和模型参数之间的互信息以及被称为预测信息增益的获取候选和测试样本之间的互信息可以作为信息理论量的近似，提出了一种连接所谓分歧文献的统一框架。
- 语言引发的事件相关电位的贝叶斯建模
本文介绍了基于贝叶斯层级模型的方法，应用于神经和行为数据分析，特别是应用于事件相关电位 (ERP)，并通过一个以单词惊奇值和神经响应为例的实验数据进行了模拟和解释。
- ICML离线强化学习策略应该被训练成具有自适应性
该研究提出离线 RL 方法应该适应不确定性，提出了一种基于贝叶斯优化的自适应算法用于近似离线 RL 的最优自适应策略，并且在离线 RL 基准测试中展示了其有效性。
- IJCAI半监督模仿学习从次优演示中学习团队策略
本文提出了 Bayesian Team Imitation Learner (BTIL) 算法，该算法可用于多智能体领域中的团队序列任务的建模，通过对团队成员的心理状态进行显式建模和推断，从而实现了分散式团队策略的学习。此外，BTIL 采用 - AAAI通过贝叶斯自监督方法保护图卷积神经网络免受动态图扰动的影响
该研究提出并应用了一种新的基于贝叶斯自监督学习的模型 (GraphSS)，能有效抵御动态图中的对抗攻击以及恢复节点分类器的预测结果。
- 基于贝叶斯稳健性的不完整多维数据张量环模型
本文提出了一种基于贝叶斯方法和变分贝叶斯算法的鲁棒张量环分解（BRTR）方法，它可以避免对张量环模型排除选择或评价参数进行降阶，并自动检测 TR 等级，从而在鲁棒张量补全问题中实现更精确的解决方案。实验结果表明，BRTR 可以显著提高比其他