关键词bayesian machine learning
搜索结果 - 8
- 基于点互信息的真实数据集估值
提出了一种新的数据评估方法，通过使用合适的评分规则和点间互信息测量来保证数据供应商总是通过真实报告观测到的数据来最大化他们的预期得分，该方法在贝叶斯机器学习环境中引入了一种新的点间互信息测量方法，证明了它在鲁棒性和对过拟合敏感性方面的优越性 - 基于贝叶斯推断的 ABCD 方法改进与泛化
通过使用贝叶斯机器学习工具，利用预先知识和事件层面的不同可观测量之间的依赖关系，将可用信息与常规的基于数据的 ABCD 方法相结合并推广，可以更好地描述由信号和许多背景组成的数据集，并从中提取信号、背景及其在样本中相对比例。
- 机器学习的平衡状态内外
本研究探索了神经网络训练算法与自然过程如蛋白质折叠和进化之间的相似性，使用统计物理中 Fokker-Planck 方法将它们在一个统一的框架下探索，研究了在长时间极限下系统的稳态和出现的熵产生率，验证了涉及到这些数值的图谱存在扰动定理，提出 - MM高斯过程模型下的天线阵列校准
本研究提出一种新的天线阵列校准方法，采用基于贝叶斯机器学习的近场测量的非参数模型对天线系统的波束赋形权重进行连续变换，以修正天线元件之间的硬件失真和相互耦合效应，可用于不同规模的数字和模拟波束赋形天线阵列，并探讨了在动态硬件失真的实时操作方 - 优化多层贝叶斯神经网络用于裂变产额评估
研究表明优化多层贝叶斯神经网络结构，对于核裂变数据的评估具有很大的潜力，而当前双层隐藏层网络的表现最佳，这项研究对于精确评估方法的发展是必要的。
- 基于贝叶斯机器学习的不完全遵从下异质因果效应
本文介绍了一种创新的贝叶斯机器学习算法，可在存在不完善合规性（例如，在不规则的分配机制下）的情况下对异质性因果效应进行可解释的推断。该算法表现出比其他面向因果推断的机器学习技术更好的性能，并在控制叶子级别的错误率（或 - 较宽松地控制错误发 - 高斯过程的元学习均值函数
在短缺数据情况下，为贝叶斯机器学习模型提供适当的先验知识是主要挑战。最近元学习的进展提供了从相关任务中获得这些先验知识的强大方法。本文探索了高斯过程先验的平均函数元学习，提供了分析和经验证据表明均值函数的学习对于元学习是有用的，讨论了过拟合 - 差分隐私贝叶斯编程
PrivInfer 是一个用于编写和验证差分隐私贝叶斯机器学习算法的表达能力强大的框架，它使用的是一种富有表现力的概率编程语言，并使用关系精化类型系统，建立在分布度量基础之上，从而建立了程序的差分隐私性。