- 如何提问?以不确定性为指导的目标导向问题
本篇论文提出了基于贝叶斯模型和不确定性感知的信息寻求模型,以解决视觉对话问题中 agent 提出问题的困难。实验结果表明,在两种挑战性的问题中,我们的方法都优于其它相应的方法。
- 基于随机推理的深度神经网络单次置信度校准学习
本文提出了一种深度学习置信度和准确性校准的通用方法,基于随机推断对网络的预测结果进行置信度和准确性分析并设计了一种新型的基于方差加权的置信度综合损失函数,以实现网络置信度的正确预测和校准。实验结果表明该算法有效地解决了深度神经网络在预测置信 - ECCV从人脸识别到身份模型:一种贝叶斯方法学习如何从无监督数据中获取未知身份信息
提出了一个结合了 Bayesian 模型的混合学习方法,可进行半监督下的面部识别并可以自适应地将身份与上下文相关联,同时也可以从未被标记的数据中自动学习新的身份信息。
- 学习互相关联概念的概念空间表示
本研究提出了一种基于贝叶斯模型的方法,可以从背景知识中构造信息先验,将领域中的每个对象与高维欧几里得空间中的一个点相关联,并将概念表示为高斯分布,以解决对象不足时的模型建立问题。应用该模型对知识库完成任务进行预测,获得了更好的结果。
- MM基于多路径的 SLAM 信念传播算法
基于射频信号和几何特征的多路复信道机制关联定位的 SLAM 算法,将模糊传播和 PC 特征关联抽象为虚拟锚点和物理锚点,并用贝叶斯模型和因子图表示定位问题,实现了对移动体和虚拟锚点位置的联合估计。该算法具有低计算复杂度和良好的规模性,并在室 - COLING用贝叶斯 Skip-gram 模型将单词嵌入为分布
该研究介绍了一种将单词作为概率密度嵌入低维空间的方法,该 Bayesian 模型通过生成来自每个给定单词的单词特定先验密度,从而可以获得上下文特定的密度以及用于词汇替换任务的有效估算方法。
- 学习符号表示的主动探索
提出一种在线主动探索算法,能够高效地从数据中学习环境的抽象符号模型,并采用贝叶斯模型引导其未来的探索。通过两个计算机游戏领域的实验验证,证明该算法优于随机和贪婪的探索策略。
- 通过对数正态乘性噪声实现结构化贝叶斯剪枝
这篇论文提出了一种基于 Bayesian 模型的 dropout 正则化方法,该方法将噪声注入神经元输出中以提供结构化稀疏性,从而去除计算图中的低 SNR 元素,并在多个深度神经结构中实现了显著的加速。
- 一种嵌入式分段 K-means 模型,用于语音的无监督分割与聚类
介绍了一个基于嵌入式分段 K 均值模型的新方法,用于语音分割和聚类,该模型与贝叶斯模型相比能够在更高效的情况下实现类似的分割和聚类效果,可用于零资源语音处理。
- ECCVSSHMT: 用于电子显微镜图像分割的半监督层次合并树
本文提出一种基于区域的半监督分割方法,通过一个可微的无监督损失函数和贝叶斯模型结合有监督信息,可以在仅用 3%到 7%的完整标签数据子集的情况下实现与全标签方法相当的表现并显著优于仅相同标签子集的有监督方法。
- AAAI具有数据增强的判别式非参数潜在特征关系模型
本研究提出一种较为准确地进行关系建模和预测的方法,该方法使用了具有判别性的非参数潜在特征关系模型 (LFRM),该模型使用概率推理,并将预测损失与贝叶斯模型的概率推理结合使用,并使用不同的规则参数来处理真实网络中不同类型链接的不平衡问题,同 - BIRDNEST: 用于评级欺诈检测的贝叶斯推断
本研究提出了一种基于贝叶斯模型的虚假评论检测方法,通过结合短时间内大量评论和用户评分分布不均等特征,使用灵活的贝叶斯模型和基于最大似然估计的疑似指标对评论进行判断。实验结果表明,该方法成功地在 Flipkart 平台上检测出了评论欺诈行为。
- 形态丰富语言的概率建模
本论文研究了如何在语言的概率模型中考虑单词的子结构。从单词的形态学基本概念出发,提出了三种不同类型的语言模型。在 n 元语言模型中,提出了一种基于复合词分解的 Bayesian 模型,还开发了一种新的分布式语言模型。在这两种情况下,论文表明 - 利用留一验证和 WAIC 进行实用贝叶斯模型评估
本研究介绍了一种使用基于后验模拟的参数值估算点外样本预测精度的方法 —— 留一法交叉验证(LOO)和广泛适用信息准则(WAIC),并通过现有的模拟数据绘制快速和稳定的计算过程。同时,使用 Pareto 平滑重要性抽样(PSIS)实现了 LO - Stan 中的自动变分推断
本文介绍了一种名为自动微分变分推断(ADVI)的方法,可以通过输入一个贝叶斯模型和数据集,自动确定适当的变分族并优化变分目标,而且支持广泛类别的模型,本方法在 Stan 中实现,可用于各类模型的变分推断。
- ICMLDropout 作为贝叶斯近似:附录
采用随机失活(dropout)技术的神经网络可以被等效地表示为贝叶斯模型的一种逼近,该方法可以帮助我们更好地理解神经网络中的不确定性并将贝叶斯方法引入深度学习框架。
- 基于贝叶斯的留一法交叉验证近似方法应用于高斯潜变量模型
本文主要研究了 Bayesian model 的 Bayesian cross-validation 技术在高斯潜在变量模型中的应用,通过 Laplace method 或 expectation propagation 方法来估计与推断, - 交互式个性化音乐推荐中的探索:一种强化学习方法
本文提出了一种基于强化学习和贝叶斯模型的音乐推荐和播放列表生成方法,探讨了探索和利用用户偏好的平衡,并表明这种新方法具有很强的潜力。
- ICMLTrueLabel + Confusions:用于分析多个评分的概率模型谱系
本文重新讨论了不同裁判所给出的多个等级分析的问题,提出了一种基于 Hierarchical Bayesian 模型的混淆矩阵 (DawidSkene) 的泛化方法,旨在从专家评估中获取诊断信息,并在合成和实际数据集上验证其性能编译
- ICML基于社交矩阵分解的协同主题回归推荐系统
本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法,并结合主题建模和概率矩阵分解,从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性,并展现了该算法在推荐系统方面优于现有方法的实验结果,揭示了社交圈在信息的决