- 自适应在线贝叶斯频率分布估计与局部差分隐私
我们提出了一种新颖的贝叶斯方法,用于局部差分隐私 (LDP) 框架下有限类别频率分布的自适应在线估计,并通过后验抽样进行贝叶斯参数估计,使基于获得的后验样本调整 LDP 的随机化机制。我们提出了一种基于随机化机制的 LDP,它使用类别子集作 - BayesJudge:基于贝叶斯核语言建模的法院判决预测中的置信度不确定性
利用贝叶斯方法和深度高斯过程,我们提出了一种名为 BayesJudge 的新型贝叶斯方法,通过贝叶斯千次采样 dropout 量化预测的不确定性,提高了预测的准确性和置信度评估,从而实现可靠的法律 AI 应用。
- 面向目标的贝叶斯最优非线性模型实验设计中的马尔可夫链蒙特卡洛方法
采用基于贝叶斯方法的计算框架,通过最大化信息增益来确定在非线性观测和预测模型下,最优实验设计以提高感兴趣的预测量的精确度。
- 从黑箱深度神经网络中提取解释、证明和不确定性
我们提出了一种新颖的贝叶斯方法,用于从深度神经网络中提取解释、证明和不确定性估计,无需重新训练,适用于任何黑盒深度神经网络,并能显著提高解释性和可靠性。
- EMNLP贝叶斯多任务转移学习用于软提示调优
我们提出了一种贝叶斯多任务迁移学习方法,通过后验分布的样本获得代表性的源提示,并将其聚合以构成初始目标提示,无需辅助模型,实现高度参数效率。
- 最后之舞:通过扩散模型和贝叶斯方法的强韧后门攻击
本文研究了基于扩散模型的后门攻击方法,通过注入后门扩散采样和贝叶斯方法到模型的训练数据中,成功地对音频转换器模型进行了攻击。
- 稳健逆图形推理的概率推断
通过使用具有强大场景先验和无信息均匀损坏先验的贝叶斯方法(RIG),在给定单一图像的情况下,我们能够推断出含有各种污染物(如雨、雪或雾)的 3D 场景,并展示了 RIG 是如何超越点估计而优于深度估计器和其他性能的 NeRF 方法的。
- 基于贝叶斯方法的无线全覆盖网络中的大规模连接活动检测
本文研究了在不需要网络信息的情况下进行活动检测的问题,并采用了贝叶斯方法,该方法使用先验分布作为正则化,结合似然函数,得出了一种最大后验估计器和变分推断算法。广泛的模拟结果表明,即使没有这些系统参数的知识,所提出的方法仍然优于现有的协方差 - 基于深度学习和降阶建模的贝叶斯非分离哈密顿量多项式噪声识别
本研究提出了一种结构保持的贝叶斯方法,用于学习使用随机动态模型的非可分离哈密顿系统,并允许统计依赖性、向量值加性和乘性测量噪声。
- 探索贝叶斯决策树后验的 RJHMC 树
使用贝叶斯方法从数据中学习决策树是一项具有挑战性的任务,本文研究了使用 Hamiltonian Monte Carlo 方法来更高效地探索贝叶斯决策树的后验概率,并通过与标准数据集的比较展示了其在预测测试准确率、接受率和树复杂度方面的优势。
- 多项式信念网络
基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析,通过数据驱动方式提取具有生物学意义的元签名。
- 贝叶斯线性贝叶斯网络
该研究提出了第一个用于学习高维线性贝叶斯网络的贝叶斯方法,该方法通过反向逐步估计拓扑排序的每个元素及其父节点,使用了偏差协方差矩阵的逆。当应用于具有不等收缩的逆协方差矩阵的贝叶斯正则化时,该方法成功恢复了底层结构。具体来说,该方法表明样本数 - MAPTree: 用贝叶斯决策树超越 “最优” 决策树
决策树的贝叶斯推断和最大后验树的 AND/OR 搜索算法 MAPTree 在合成数据和真实环境中表现出比基线更好的性能,并能更快地恢复最大后验树,同时提供最优性的证明。
- SAVME: 使用元学习实现自主系统的高效安全验证
我们提出了一种贝叶斯方法,将元学习策略与多臂老虎机框架相结合,以加速自动系统的故障检测、减少模拟运行时间,并通过学习参数和准确模拟的分布来评估新场景中的学习速度。通过在先进的 3D 驾驶模拟器中应用 16 个保真设置来展示我们的方法,以评估 - 一种鲁棒逆强化学习的贝叶斯方法
我们提出了一种贝叶斯方法来进行离线模型基于的逆向强化学习 (IRL)。该方法通过同时估计专家的奖励函数和对环境动态的主观模型,与现有的离线模型基于 IRL 方法有所不同。我们利用一类先验分布,参数化了专家对环境的模型准确性,以此开发出高维环 - 一种贝叶斯主动学习方法的比较判断
我们提出了一种基于贝叶斯方法的比较判断(BCJ),用于确定评比项的排名,并提出了一种使用主动学习来选择要展示给评分者的比较对的新方法,解决了传统比较判断的关键缺陷。我们的实验证实,BCJ 结合基于熵的主动学习选择方法优于其他替代方案,而且发 - 通过非局部先验进行贝叶斯尖峰列车推断
神经科学的进步使得研究人员能够同时测量行为动物中大量神经元的活动。我们提出了一种基于混合半非局部先验密度和点质量的贝叶斯方法,用于从荧光迹线中确定神经元的确切尖峰,以实现对神经活动的近似。与基于优化的频率方法相反,我们的方法能够自动量化与尖 - 平衡风险和回报:自动分阶段发布策略
这篇论文提出了通过一系列的 A/B 实验和自适应 Bayesian 方法来保证控制风险和最大化增长速度的策略,该方法被称为 batched bandit 问题,其中关键因素是实验预算。
- 图像的背叛:机器人操作中基于贝叶斯场景关键点的深度策略学习
本文提出了一种基于贝叶斯方法的算法来跟踪图像中的尺度不变的关键点,对于机器人的多目标操作任务,该算法较其他方法更加高效且具备鲁棒性。
- 为可交换图生成模型计算预期基序计数
本文提出了一种可扩展的估算预期模体计数的过程,适用于神经和贝叶斯图数据方法中使用的类型的生成混合模型。