- 贝叶斯助力转向：扩散模型领域自适应的有效方法
我们提出了一种贝叶斯框架，用于通过一种名为贝叶斯动力转向（BPS）的新型网络结构对大规模扩散模型进行微调。BPS 从预训练模型的学习先验分布中提取任务特定的知识，通过头重脚轻的配置差异地介入不同的隐藏特征。实验证明，即使在有限的数据量下，B - 深度神经网络的后验和变分推断与重尾权重
我们在贝叶斯框架中考虑深度神经网络，采用随机网络权重的先验分布。根据 Agapiou 和 Castillo（2023）的最新观点表明，重尾先验分布实现了对平滑性的自适应，我们提出了一个简单的基于重尾权重和 ReLU 激活的贝叶斯深度学习先验 - 鲁棒联合稀疏视图 CT 重建的隐式神经表示
通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。
- 过参数化非线性回归中的一致预测的贝叶斯推断
通过贝叶斯框架探索超参数化非线性回归的预测特性，并在单神经元模型和广义线性模型中建立了后验缩固，展示了我们的方法在过参数化方案中实现了一致的预测。此外，我们的贝叶斯框架允许对预测进行不确定性估计。通过数值模拟和实际数据应用验证了我们的方法， - 重新设想数值信息场理论（NIFTy.re）：高斯过程和变分推断库
将嘈杂、不完整的数据转换为人类可以解释的空间是成像的过程。NIFTy 是一种贝叶斯成像框架，已成功应用于天体物理学的许多领域。我们提出了一个名为 NIFTy.re 的 NIFTy 重写版本，重新设计了建模原则，扩展了推断策略，并将大部分重要 - 大动作空间的贝叶斯离策评估和学习
在互动系统中，我们引入了一个统一的贝叶斯框架来捕捉动作之间的相关性，通过结构化和信息化的先验概率实现了更样本高效的离策略评估和学习，同时保持了计算效率。通过引入基于贝叶斯指标的在线贝叶斯赌博师，我们分析了 sDM 在离策略评估和学习中的性能 - 去噪正则化：贝叶斯模型与拉普拉斯 - 吉布斯采样
该论文介绍了一种贝叶斯框架图像反演方法，通过导出一种与正则化去噪（RED）范式相对应的概率模型实现。同时，还实现了一种针对得到的后验分布进行采样的蒙特卡罗算法，其基于渐近精确的数据增广（AXDA）。该算法是分裂吉布斯采样（SGS）的近似实例 - 人类目标识别作为贝叶斯推理：行动、时间和目标可解性的影响研究
基于可用线索推断意图的目标识别是一种基本的认知过程，该研究使用贝叶斯框架来探索行动、时间和目标可解性在目标识别中的作用，并通过分析人类对 Sokoban 领域的目标识别问题的回应，发现行动被赋予最重要性，但时间和可解性在某些情况下也影响目标 - AAAI使提示可调整：基于贝叶斯建模的视觉 - 语言提示学习与数据相关先验
利用贝叶斯框架中的 Prompt 学习方法，通过建模数据相关先验，减轻少样本学习中的过拟合问题，提高提示信息对未知样例的适应性，并展示相对现有方法在基准数据集上显著性能改进的统计结果。
- $μ$GUIDE: 通用不确定性驱动推断的深度学习映像微结构框架
用新的深度学习框架和高效的后验分布采样，提出了一个通用的贝叶斯框架 μGUIDE，用于从任何给定的生物物理模型或 MRI 信号表示中估计组织微结构参数的后验分布，以弥补传统贝叶斯方法的高计算和时间成本。
- 基于数据驱动先验的可扩展贝叶斯不确定性量化在射电干涉成像中的应用
提出了一种名为 QuantifAI 的方法，利用数据驱动的先验知识处理射电干涉成像中的不确定性量化问题，通过高维度的统计模型和贝叶斯框架，实现了高质量图像重建和概率测量，并提供了用于结构假设检测的像素级不确定性推断方法。
- 一个适用于开放领域对话生成的实证贝叶斯框架
提出了基于经验贝叶斯（BODEB）框架的贝叶斯开放域对话代理，通过利用预训练参数来构建贝叶斯开放域对话代理，并在多样性和连贯性方面取得了较好的结果。
- 基于视频的顺序贝叶斯足球场地注册的单应矩阵估计
提出了一种新颖的贝叶斯框架，通过一个仿射变换明确地将一个视频帧的单应性与下一个视频帧关联起来，同时明确建模关键点的不确定性。该方法使用了两阶段卡尔曼滤波器，在现有方法的基础上显著改进了其性能，并使得不太复杂且计算成本较低的方法在大多数单应性 - 贝叶斯回归市场
机器学习任务对输入数据的质量很敏感，但是企业往往难以获得足够的数据集，这些数据集通常在不同的所有者间进行自然分布，这些所有者在实践中可能是下游市场的竞争对手，且不愿意共享信息。我们提出了一种基于贝叶斯框架的回归市场机制，为数据共享提供了经济 - 基于贝叶斯方法对齐语言模型与人类偏好
本文提出了一种新颖的方法，名为 d-PM，采用贝叶斯框架来考虑人类偏好之间的分歧分布，并利用 d-PM 模型的偏好分数使用对比学习策略来训练自然语言生成模型，实验证明该方法在自动评估和人工评估方面一直优于之前的最佳模型。
- 伪标签选择是一个决策问题
伪标记、半监督学习、确认偏差、贝叶斯框架、决策理论
- T-SaS：面向流数据的移动感知动态适应
在没有任何先兆的情况下，本文旨在解决连续数据建模中突发分布转变的问题。具体而言，我们设计了一个名为 T-SaS 的贝叶斯框架，使用离散分布建模变量捕捉数据的突变。然后，我们设计了一个模型，通过学习判断在完整网络中应该激活哪些神经元来实现与该 - 贝叶斯稀疏性和类稀疏性在字典学习和编码中的应用
字典学习方法在解决复杂的反问题方面不断受到关注。本文提出了一种工作流程来简化字典匹配过程，通过压缩字典和利用贝叶斯框架处理建模误差，以及使用组稀疏编码方法来识别不相关的子字典，然后通过稀疏编码解决匹配问题。证明了字典压缩误差的补偿和使用组稀 - 贝叶斯线性反问题的蒙特卡洛引导扩散
本研究提出了一种基于 Feynman-Kac 模型和顺序蒙特卡洛方法的算法 MCGdiff，用于解决结构先验在 Score-Based 生成模型中的反问题，并在数值模拟中表现出优越性能。
- ICML使用集合卡尔曼反演的神经 ODE 无梯度训练在系统识别和控制中的应用
本篇研究使用 Ensemble Kalman inversion 方法来训练神经常数方程（neural ODEs）用于系统辨识和控制，并发现 EKI 是一种高效的优化方法，其运行时和解决方案的质量与常用的基于梯度的优化器相当竞争力。