- 结合 X-Vectors 和贝叶斯批量主动学习:用于语音识别的两阶段主动学习流程
该研究通过强调数据为中心的人工智能方法,引入一种新的两阶段主动学习(AL)流程,用于自动语音识别(ASR),结合了无监督和监督的 AL 方法。该方法通过使用 x-vectors 聚类从未标记的语音数据中选择样本进行多样化的样本选择,从而建立 - 基于贝叶斯方法的在线学习对于上下文不安定赌博算法的应用于公共卫生
基于贝叶斯学习和汤普森抽样的上下文多臂赌博机在线强化学习方法可以高效建模复杂的上下文相关和非固定的公共卫生干预项目中的资源分配,具有较高的性能表现。
- 基于贝叶斯方法的词向量偏差估计不确定性
该研究提出了一种基于贝叶斯建模的方法,以更准确地检测词向量中的偏见,并在 Religion、Gender 和 Race 词表上进行了展示,验证了它的有效性。
- 可训练激活函数的稀疏神经网络贝叶斯优化
本文提出了一种可训练的激活函数,使用贝叶斯建模自动估计学习数据中的模型权重和激活函数参数,并使用基于 MCMC 的优化方案进行推断,通过使用有效的采样方案来提高收敛速度并减少过度拟合问题,取得了良好的检验结果,并通过激活函数提高了模型的准确 - 划分越少越好:解构句子划分中的可读性
这篇论文主要研究句子拆分在文本简化中的应用,通过引入贝叶斯模型框架和 Amazon Mechanical Turk 的实验数据得出,将一句复杂的长句拆成两句可以更好地提高阅读可读性。
- 口述叙述的主题划分:以大屠杀幸存者证言为例的测试
本文研究如何将长篇英语口述叙述中的段落进行主题划分,以大量收集的 Holocaust 幸存者证言为例,通过使用诸如贝叶斯模型和神经算法等算法,成功地将其与手动标记参考资料做了比较,展示了比以往研究更高的水平。
- FlexiBERT:当前的 Transformer 架构是否过于同质化和僵化?
本文提出了一种名为 FlexiBERT 的灵活多样的异构模型,引入了新的图形相似度嵌入方案和 BOSHNAS 神经体系结构搜索策略,以此解决使用固定维度模型的 NAS 方法所遇到的子优解问题,大大提高了 GLUE 基准的性能。
- 基于最优反应贝叶斯强化学习的贝叶斯自适应 POMDP 应用于半人马
本文提出了一种新的人工智能决策模型 ——Centaurs,旨在辅助有限理性的人类做出更好的决策。基于 Bayesian 最佳反应模型,我们建立了一种序列博弈模型,使得机器能够识别人类的目标和约束,并对其进行帮助。通过模拟实验,我们发现当 C - 重要性加权层级变分推断
通过引入一种新的变分上界家族,我们提出了一种用于层次模型的变分下界族,使得我们可以使用更具表现力的近似后验概率,并在一系列实验中证明了所提出的方法的卓越性能。
- MM深度贝叶斯多目标学习用于推荐系统
本论文提出了一种基于贝叶斯模型的多目标优化框架(Deep Bayesian Multi-Target Learning,DBMTL),并将其应用于淘宝直播推荐,从多个方面优化推荐表现。研究表明,与其他多目标学习框架和非多目标学习模型相比,D - 交叉公平的贝叶斯建模:偏差的方差
本文针对交织系统对包括种族、性别、性取向、阶级和残疾等方面影响个体的观点,提出了一种皮尔逊贝塔贝叶斯概率建模方法,来对多重受保护属性的公正性进行可靠、高效的估算,以及模型建立和公正性测量的实用性解决方案。
- 随机梯度 MCMC 的元学习
本文提出了第一个元学习算法,可以自动设计 SG-MCMC 采样器的连续动力学,学习的采样器泛化了 Hamiltonian 动力学,并且在贝叶斯全连接神经网络和贝叶斯循环神经网络任务上进行了验证,表明学习采样器优于通用手动设计的 SG-MCM - ICML实际中的可扩展自然梯度 Langevin 动力学
本文比较了不同的预处理方法以规范噪声向量,从混合时间、正则化效果、协变量漂移检测和对抗样本抗干扰性等方面对其进行了评估。
- ICML结构化黑盒变分推断用于潜在时间序列模型
介绍了一种类似于前向 - 后向算法的 BBVI 算法,它可以使得我们高效地从变分分布中进行采样,并且可以估计 ELBO 梯度。在动态词嵌入模型上的结果证明了我们方法的有效性。
- 变分贝叶斯方法的频率派一致性
本文证明了变分贝叶斯法在频率学意义下是稳健的,它可以通过极小化 KL 散度来估计后验分布,并且其对应的参数的变分期望是一致的和渐近正态的。此理论应用于贝叶斯混合模型、Bayesian 广义线性混合模型和贝叶斯随机块模型,并通过模拟研究进行了 - 广义汤普森抽样用于顺序决策和因果推断
该论文讨论了 Thompson 采样如何是贝叶斯策略不确定性建模的自然后果、如何用于多个自适应智能体之间的交互研究和如何应用于推断环境中的因果关系等,在自适应顺序决策和因果推断问题中可能不仅是有用的启发式方法,而且也是一个原则性的方法。