bayesian treatment | BriefGPT

关键词bayesian treatment

搜索结果 - 8

强化学习中的概率推理正确实施
强化学习中，通过马尔科夫决策过程的图形模型，以概率推理的方式对各状态 - 行为对的访问概率进行研究。本研究采用贝叶斯方法，严格处理了状态 - 行为优化的后验概率，并阐明了其在马尔科夫决策过程中的流动方式。通过引入变分贝叶斯近似方法，得到了一
PDF7 months ago
通过贝叶斯数据选择实现模型训练加速
使用轻量级贝叶斯处理和基于大规模预训练模型的即用型零样本预测器，解决了现实场景中标记错误、重复或有偏差的数据在训练中的问题，提高了模型的训练效率。
PDF10 months ago
稀疏深度学习的高效变分推断及理论保证
本文旨在通过完全贝叶斯处理下的尖峰 - 平板先验训练稀疏深度神经网络，通过连续放松伯努利分布开发一组计算有效的变分推断方法。实证结果表明，这种变分程序不仅提供了关于贝叶斯预测分布的不确定性量化，而且还能通过训练稀疏多层神经网络实现一致的变量
PDF4 years ago
SalsaNext: 面向自动驾驶的快速、不确定性感知的激光雷达点云语义分割
本文介绍了一种新的深度学习模型 SalsaNext，该模型针对实时的 3D 激光雷达点云进行不确定性感知的语义分割，引入了一种新的上下文模块及贝叶斯处理方法，并在各项指标上优于目前最先进的语义分割网络。
PDF4 years ago
带限高斯过程：Sinc 核
提出了一种新的 Gaussian Process—— 具有紧支撑频谱的 Gaussian Process；通过矩形函数来建立功率谱密度，得到基于 Sinc 函数的核，并在回归、信号处理、非负异象调制和带通滤波等领域能够得到有效的应用。
PDF5 years ago
ICLR具有多个通道的贝叶斯深度卷积网络是高斯过程
本文研究神经网络与高斯过程之间的等价性，并在卷积神经网络上实现了类似的等价性，提出了估计给定神经网络结构下对应高斯过程的蒙特卡罗方法，证实了在无池化层情况下，具有和不具有权重共享的卷积神经网络对应的高斯过程是相同的，表明了经过精心调整的随机
PDF6 years ago
基于强化泊松过程的流行度动态建模与预测
使用一种增强泊松过程的生成性概率框架来预测个体在复杂演化系统中的流行动态，并成功证明此模型在引文数据集上表现优异。
PDF10 years ago
贝叶斯分层专家混合模型
本文提出了一种基于变分推断的 HME 模型的全贝叶斯处理方法，并通过将局部和全局变分方法相结合获得了对模型下数据边际概率的严格下界。
PDF12 years ago