- 傾聽噪音：基于吉布斯扩散的盲去噪
利用 Gibbs 扩散（GDiff）方法，在参数化高斯噪声的假设下，提出了一种盲去噪的方法，通过一种条件扩散模型和蒙特卡洛采样器交替采样，可以推断出信号和噪声参数。
- 基于浅影的稳健高效量子属性学习演示
我们提出了鲁棒的浅阴影协议，在实验中正确恢复了状态属性，如期望值、保真度和纠缠熵，同时维持了比随机单量子比特测量方案更低的样本复杂性。
- 通过深度展开加速 Stein 变分梯度下降的收敛
本文中提出了一种深度展开的可训练 SVGD 算法，用于加速其收敛速度，并通过数值模拟实验证明了该算法相较于传统的 SVGD 变体具有更快的收敛速度。
- SMC 是您所需的全部：并行强伸缩
在贝叶斯推断的一般框架中，目标分布只能以比例常数进行评估。我们发展了一种完全并行的顺序蒙特卡洛 (pSMC) 方法，可以证明其具有并行的强缩放性，即如果允许异步进程数量增长，则时间复杂度（和每个节点内存）保持有界。对于一些贝叶斯推断问题，我 - 多任务学习中梯度聚合的贝叶斯不确定性
使用贝叶斯推断的梯度聚合方法能够考虑梯度不确定性，提高多任务学习的性能表现。
- 扩散吉布斯抽样
我们提出了 DiGS (一种创新的采样方法) 用于从具有远离和断开模态的分布中进行有效采样。DiGS 通过将扩散模型与高斯卷积相结合，创造了一个桥接原始空间中孤立模态的辅助噪声分布，并且应用了 Gibbs 采样来交替地从两个空间中抽取样本。 - 大型语言模型中的不一致概率判断
使用概率恒等式和重复判断来评估自回归大型语言模型的概率判断的连贯性，结果显示这些模型产生的判断通常是不连贯的，并显示出与概率理论规则相悖的人类式系统偏差；此外，当被提示对同一事件进行判断时，自回归大型语言模型产生的概率判断的均值 - 方差关 - 基于交替方向乘子法的分布式马尔可夫链蒙特卡罗采样
分布式采样方案基于交替方向乘子方法，用于处理机器学习任务中的分布式数据集，并在贝叶斯推断任务中提供不确定性量化。通过优化算法的收敛性理论保证和与现有基于梯度的方法相比的实验证据，论文表明该方案具有优越性。
- ICML通过顺序函数空间变分推断进行连续学习
连续学习方法通过顺序贝叶斯推断模型对神经网络进行优化，使得神经网络对新任务的适应性更好、拥有更灵活的变分分布和更有效的正则化，从而实现更好的预测准确性。
- 学习自适应噪声的扩散模型
通过引入多元学习自适应噪声 (MuLAN)，这篇研究提出了一种新的扩散过程，它在图像中以不同的速率应用高斯噪声，以实现贝叶斯推断，获得更紧的边际似然下界，并在 CIFAR-10 和 ImageNet 数据集上实现了密度估计的最新技术。
- 高斯过程学习非线性动力学
科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。
- 强化学习中的保护进展：用于控制策略合成的安全贝叶斯探索
这篇论文研究了在强化学习过程中如何保证训练的安全性，通过提出一种新的架构处理效率和安全性之间的权衡，并利用贝叶斯推理和马尔可夫决策过程来近似风险，并通过实验结果展示了整体架构的性能。
- 贝叶斯神经网络武器系统是否改善预测性维护？
我们使用贝叶斯推理过程结合神经网络，对高可靠性武器系统的故障时间进行建模，考虑了区间 - censored 数据和时变协变量，并通过综合分类指标和可靠性曲线可视化来分析和评估我们的方法 LaplaceNN。
- 贝叶斯元可塑性与突触不确定性
通过利用突触的不确定性，基于元可塑性和贝叶斯推断原理，我们引入了 MESU（MEtaplasticity from Synaptic Uncertainty），其近似于对角牛顿方法的更新规则，保持信息长期记忆，并在连续学习实验中展示了处理 - 基于置信传播的顺序蒙特卡洛自动瑞奥 - 布莱克韦利化
本文提出了一种混合推断算法，能够在可能的情况下使用置信传播计算封闭解，在出现精确计算失败时使用基于采样的顺序蒙特卡洛方法，该算法实现了自动的 Rao-Blackwellization，对于高斯树模型甚至可以实现精确推理。
- AAAI利用流匹配和神经重要性抽样推断系外行星的大气特性
大气检索通过估计观测光谱中的大气参数来表征外行星，通常将其作为贝叶斯推断问题来解决。我们探索了基于流匹配后验估计（FMPE）的机器学习方法用于大气检索，并发现在这种情况下，它比神经后验估计（NPE）更准确，但比嵌套采样方法的准确性稍低。我们 - 基于知识图谱嵌入和贝叶斯推理的车辆换道预测
基于语言上下文信息利用知识图谱实现车道变更预测，并应用贝叶斯推理，预测车道变更两秒前的 f1 得分为 97.95%，领先于现有技术，三秒前的 f1 得分为 93.60%。
- 基于代理模型的贝叶斯推理中的不确定性量化与传播
用于模拟建模的代理模型中的不确定度传播是一个重要的问题，本论文提出了一个可伸缩的贝叶斯方法来进行全面的不确定度量化、传播和验证，并展示了在线性和非线性建模场景中使用该方法的案例研究。
- ICLR用合成数据对 LLM 进行精简自我评价：一个贝叶斯视角
本文通过引入精简自我批判（dSC）将 RLAIF 的解释视为贝叶斯推理，通过 Gibbs 采样器对 LLM 的输出进行改进并提炼为经过调整的模型。只需合成数据，dSC 在安全、情感和隐私控制实验中表现出能够成为与 LLMs 相符的可行且廉价 - 脊髓肌肉萎缩症疾病建模的贝叶斯网络
利用概率图模型和贝叶斯推断研究分子基因表达与公共数据库，通过对脊髓肌肉萎缩全基因组关联研究结果进行案例研究和分析，将疾病发展的两个阶段中上调和下调的基因与公共领域中已发布的先前知识相关联，并创建和分析共表达网络，鉴定这些基因触发的分子通路。