- 利用对比学习与生成相似性来学习能捕捉人类归纳偏好的空间
我们引入了一种贝叶斯的生成相似性概念,通过该概念我们可以定义一个对比学习目标,即使其精确形式难以计算,从而使得能够学习到表达特定归纳偏差的空间嵌入。我们通过展示如何捕捉几何形状的人类归纳偏差以及更好地区分由概率程序参数化的不同抽象绘画风格, - 通过数据增强和摊销推理实现可扩展的垂直联邦学习
该研究提出了第一个用于垂直联合学习(VFL)中贝叶斯模型拟合的全面框架,通过数据增强技术将 VFL 问题转化为与现有贝叶斯联合学习算法兼容的形式,并开创了在垂直分区数据场景中进行隐私保护、去中心化贝叶斯推断的新研究方向与应用领域。
- TrueLearn: 个性化信息推荐的 Python 库(含隐式反馈)
描述了 TrueLearn Python 库,包含一系列用于构建教育(或更一般地说,信息)推荐系统的在线学习贝叶斯模型。该库还包含不同的表示形式来帮助最终用户可视化学习者模型,与其自己的模型进行交互,使其更易解释且易于控制。同时,作者提供了 - 基于自上而下调节的 WTA 网络的贝叶斯信息集成
本文研究了 Winner Take All(WTA)回路在整合分布于不同 WTA 网络中的信息以及通过自上而下的过程改进 WTA 网络推理和学习性能方面的适用性,并确认其可根据关键的神经形态学原理实现低延迟和高能效的神经形态硬件。
- 模型辅助的基于概率的安全自适应控制与元贝叶斯学习
本文提出了一种新颖的自适应安全控制框架,该框架采用元学习、贝叶斯模型和控制障碍函数(CBF)方法,在多重不确定性条件下保证控制过程中的概率安全性。
- 异构环境下保护隐私的贝叶斯联邦学习
本文介绍了针对异构客户端的联邦学习框架,基于训练本地的贝叶斯模型,通过在网络的输出空间中加入监管,提供了处理不同限制和限制条件的自然方法,并提供了严格保密性保证和模型的不确定性表征
- 将贝叶斯先验蒸馏到人工神经网络中,模拟快速语言学习
将贝叶斯模型的归纳偏差与神经网络的灵活表示相结合,使得从自然语素材中有限学习成为可能。
- 深度 Wishart 过程的改进变分近似后验
本文研究深内核过程,利用 Wishart 分布作为变分近似后验,通过线性组合的 Bartlett 分解来进一步推广其分布,提高其预测性能。
- 评估统计语言模型作为实用推理器
本文考察了大型语言模型对语言习得中的概率关系和上下文敏感性建模的能力,并针对基于强度先验条件的语境下的 pragmatism utterances 进行了阈值估计实验。结果表明该方法成功地推导出了一些复杂 pragmatic utteran - 机器学习与贝叶斯计算的未来
概述:本文使用贝叶斯模型解决了复杂数据的建模问题,提出了通过机器学习的方法来改善后验计算的潜力,并探讨了正则化流、贝叶斯核平衡、分布式贝叶斯推理和变分推理等未来的具体发展方向。
- 用贝叶斯混合效应和大型语言模型重新分析 L2 介词学习
使用贝叶斯模型和神经模型,对汉语学习者在两个英文介词测试前后的反应进行数据分析,并揭示了学生能力、任务类型和刺激句子之间的关键交互作用。研究表明,贝叶斯方法更加有用,但是使用语言模型概率作为语法和可学性的预测因子也具有潜力。
- 翻译者可靠性评估的贝叶斯方法
本文通过基于复杂系统物理和贝叶斯范畴的方法,考虑了机器翻译的翻译质量评估问题,并比较了两种不同的参数化模型。结果表明,即使仅仅进行一次评估,也可以从中获得有意义的信息,如译者技能和评估者的严格度,以及他们在各自角色中的一致性。此外,研究表明 - KDD将奖励与排名信号结合的瓦片推荐
本文提出了几种贝叶斯模型,使用奖励信号、排名信号或两者结合的方法进行非个性化的推荐。通过分析实验结果,证明全模型在产品数量增加或画板大小增加时,可以获得显著的性能提升。
- ICLR使用层次贝叶斯方法预测单个医院的 COVID-19 病例数
本文提出几种候选的分层贝叶斯模型,用于预测单个医院 COVID-19 日住院患者人数,并将其演示在美国马萨诸塞州 8 家医院和英国 10 家医院的公共数据集上,并将其与现有基线方法进行比较。
- AAAI先前 Lipschitz 连续性对贝叶斯神经网络的对抗鲁棒性的影响
本文考察了贝叶斯神经网络的对抗鲁棒性,并研究了模型选择对其稳健性的影响,发现先验方差确实对其对抗鲁棒性有影响。
- 函数空间中变分推断的理解
本文提出直接近似贝叶斯模型函数空间或预测后验分布的方法,并指出了使用 Kullback-Leibler divergence 方法的优劣,提出了基于 Bayesian linear regression 的 benchmark 方法来评估预 - CVPR基于贝叶斯模型的任务外和分布外推广实现的遮挡分割
本文探讨了利用贝叶斯模型解决神经网络中的物体分割模糊出界问题,通过利用对象的背景和形状作为先验知识来实现模型对训练任务标签的超出范围的推理,并通过应用异常值处理技术来推广到部分被遮挡的对象并预测其模态对象边界。
- 参数后验收缩速率的扩散过程视角
通过控制随机过程的矩和取极限,我们通过 Langevin 扩散过程分析贝叶斯模型中参数的后验收缩速率,并特别关注了结构和随机摄动边界对于结果的影响,此外,基于该技术,我们也证明了后验的 Bernstein-von-Mises 保证的非渐近版 - 利用自然梯度和斯坦梯度促进贝叶斯持续学习
本文介绍如何通过使用自然梯度和斯坦梯度,从后验分布和 coresets 两种方式中学习先前任务的知识,帮助贝叶斯连续学习。
- 计算成像反问题的变分推断
本文介绍了一种新的框架,基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断,使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点,并在两个实验光学设置中应用:全息图像重建和通过高度散射介