- 基于贝叶斯推断的新型 Mallows 模型在初级进行性失语症状序列表征中的应用
通过贝叶斯推理和定制的 MCMC 拟合,我们适应了 Mallows 模型来描述症状序列的特征和建模挑战。我们的评估结果包括合成数据和一个主要进行性失语症数据集,突出了该模型在揭示平均顺序和估计排序方差方面的效力,从而有助于增强临床对症状发生 - 在油气工业中增强可靠性和适应性的数字孪生框架,实现最优和自治决策
该研究提出了一个数字孪生框架,应用于石油和天然气工业中的气举过程,旨在提高数字孪生系统的稳健性和适应性。该框架结合了贝叶斯推断、蒙特卡罗模拟、迁移学习和不确定性管理等技术,为数字孪生系统提供高效、可靠、值得信赖的识别,并致力于改进复杂实际场 - 无标度网络:改进的推理
通过改进方法,利用贝叶斯推断来获得准确的估计和可信区间,以提高拟合度分布检验的可靠性。探究了网络或其他数据集是否遵循幂律分布,并将该方法应用于合成网络和实际网络的分析中。结果表明该方法更加适用于实际情况。
- 智能机器时代的贝叶斯
人工神经网络和贝叶斯推断是互补的建模方法,可用于理解涵盖不同层次的人类认知和训练在专有数据上的大型不透明人工神经网络的行为。
- BClean:一个贝叶斯数据清洗系统
提出了一种名为 BClean 的贝叶斯清理系统,使用自动贝叶斯网络构建和用户交互,并通过贝叶斯推断将数据清理问题重新定义,展现出优于现有贝叶斯方法 2% 和其他数据清理方法 15% 的数据清理能力。
- 利用 Fisher 度量的黎曼拉普拉斯近似
拉普拉斯方法是一种近似目标密度函数的高斯分布方法,通过选择黎曼几何进行变换,可以提供更丰富的近似函数族,具有计算效率高的优点,并且通过引入两个可选的变种提高了无限数据极限下的准确性。
- ForecastPFN: 综合训练的零样本预测
本研究提出了一种名为 ForecastPFN 的零样本预测模型,通过对一种新型合成数据分布进行训练,实现对新的时间序列数据集的快速准确预测,并证明其在准确性和速度上优于现有的预测方法。
- 使用张量网络为高斯过程回归投影基函数
本文提出了一种使用张量网络进行近似高斯过程(GP)回归的方法,通过选择合适的低秩张量网络子空间并利用贝叶斯推断来推导模型权重,并在较小子空间内进行高效计算,以解决逆动力学问题。
- 基于条件最优传输的高效神经网络方法和贝叶斯推断应用
我们提出了两种神经网络方法来近似求解静态和动态条件优化传输问题(COT),这两种方法能够对条件概率分布进行抽样和密度估计,在贝叶斯推断中是核心任务。我们的方法将目标条件分布表示为可处理的参考分布的转换,因此属于测度传输框架。这些方法利用了 - 基于 HMC-pCN 采样方法的带有 SA-Roundtrip 先验的贝叶斯成像反问题
一种使用深度生成先验进行贝叶斯推断的新方法,该方法通过引入具有自注意力结构的双向生成对抗网络的 SA-Roundtrip 先验,在低维潜在空间中应用具有预条件 Crank-Nicolson 算法的 Hamiltonian Monte Car - 利用可微的覆盖概率校准神经仿真推断
引入校准项到神经模型的训练目标中,通过放松经典校准误差公式,我们提出了一种方法来解决现有算法对后验不确定性估计准确性的挑战,该方法适用于现有计算流程,实现可靠的黑盒后验推断,并在六个基准问题上经验证明具有竞争性或更好的结果。
- 贝叶斯流网络在连续学习中的应用
贝叶斯流网络(BFNs)作为通用生成建模的最有前景的方向之一,能够学习任何数据类型。我们深入研究了 BFNs 的机制,并进行了实验证明它在非平稳数据上的生成能力。
- 敏感度感知的摊还贝叶斯推断
我们提出了一种综合多角度的方法,将敏感性分析集成到摊销的贝叶斯推理中,并在应用建模问题中展示了其有效性。
- BayesDiff: 基于贝叶斯推理估算扩散的逐像素不确定性
基于贝叶斯推理的像素级不确定性估计器 BayesDiff 用于扩散模型的图像生成,具有过滤低保真图像、增强成功生成和纠正失败生成中的伪影的能力。
- ICLR渔网:信息最佳化、可扩展的集合和图聚合
Fishnets 是一种在贝叶斯推断和图汇聚中学习信息最优嵌入的集聚策略,它可以扩展到任意数量的数据对象,对数据分布的变化具有鲁棒性,饱和贝叶斯信息内容,可以在图神经网络中作为聚合方案使用,从而实现超越现有基准的 ogbn-protein - 高阶数组建模的概率块术语分解
在这篇文章中,我们提出了一种高效的变分贝叶斯概率 BTD 方法,利用 von-Mises Fisher 矩阵分布对多线性 Tucker 部分在 BTD 中施加正交性,通过合成和两个真实数据集的实验,我们突出了贝叶斯推断过程,并演示了在噪声数 - 面向连续决策的统一框架
近年来,自动规划(AP)和强化学习(RL)的整合引起了广泛关注。为了实现这种整合,我们试图提供一个适用于从传统规划到深度强化学习的任何方法的顺序决策制定(SDM)的通用框架,该框架借鉴了概率论和贝叶斯推断的概念。我们用训练和测试的马尔可夫决 - 基于正则化斯坦距离的神经算子变分推断用于深高斯过程
我们引入神经操作变分推断(NOVI)用于深度高斯过程,使用神经生成器获得采样器,并通过最小化 L2 空间中生成分布和真实后验之间的正则化 Stein 差异解决挑战。我们使用 Monte Carlo 估计和子抽样随机优化技术求解极小极大问题。 - 双正则流:灵活的贝叶斯高斯过程 ODE 学习
高斯过程在连续动力系统的向量场建模中已被广泛使用,本研究将归一化流引入常微分方程向量场,提高了贝叶斯高斯过程常微分方程的准确性和不确定性估计能力。
- MFRL-BI:一种基于贝叶斯推断的无模型强化学习过程控制方案设计
利用模型无关的强化学习方法,通过实时数据进行实验和优化控制,提出了一种新的 MFRL 控制方案,通过贝叶斯推断更新干扰分布,来降低制造过程中的大幅波动,同时在未知的非线性化学机械化学抛光(CMP)过程中表现出良好的性能,并在干扰为加性的情况