- 卷积贝叶斯滤波
通过引入一个附加事件来规定不等条件,我们将条件概率转换成类似于卷积的特殊积分,实现了传统贝叶斯滤波的更普适框架,称之为卷积贝叶斯滤波。该框架包含了标准贝叶斯滤波作为一种特殊情况,当不等条件的距离度量选取为狄拉克函数时。通过选择不同类型的不等 - 可靠的概率输出的尿潴留反流检测
通过提供 VUR 患儿的条件概率的上下限,本研究利用机器学习技术检测 VUR 并避免了辐射暴露,相较于其他技术提供的简单的是 / 否答案,这些概率上下限更具信息量和可靠性。
- TTDM:基于行程时间差异的下一位置预测模型
本篇研究探讨了一种名为 Travel Time Difference Model 的新方法,结合了 Markov 模型和最短路径算法,根据过去的轨迹信息和实际行驶时间,大幅提升了下一个位置的预测准确性。
- 贝叶斯统计中的漏洞
Bayesian data analysis has several issues, including problems with conditional probability, weak and subjective priors, - 一次性条件目标检测的比较网络
本文提出了一种新的一次检测条件概率问题的比较网络框架(ComparisonNet), 该框架利用 Siamese 网络提取查询和目标图像特征,并引入两阶段检测器来比较查询和目标特征以实现最优非线性条件概率。实验证明,该方法在 Fashion - 张量空间中的广义语言模型
通过利用张量网络和张量分解,本文提出了一种名为 “张量空间语言模型” 的高维语义空间,其张量表示是 n-gram 语言模型的一种泛化,可用于语言建模。
- 基于贝叶斯最优标记的实例相关 PU 学习
本文提出了一种基于概率差距的 PU 学习算法,该算法通过利用条件概率 P (Y=1|X) 对正样例进行有偏重采样,并将未标记数据视为噪声负样例,从而自动标记一组正负样例,这些样例的标签与贝叶斯最优分类器分配的标签相同。通过核均值匹配技术纠正 - 神经机器翻译的束搜索策略
本文提出了通过改进灵活的 beam-search decoder 来加速神经机器翻译的方法,并测试表明,该方法可以提高速度,同时不影响翻译质量。
- 具有有界误差水平的最少歧义集值分类器
此研究针对分类问题中存在的模糊不确定标签,提出了一种多类别集合值分类方法,在最小化分类的模糊性的前提下,保证用户定义的覆盖率和置信度,利用条件概率函数的级别集导出 oracle 分类器,并提出一种在现有单标记分类器基础上的估计器,可以在不同 - 指针网络
介绍一种新的神经网络结构用于学习输出序列的条件概率,能够解决存在变量数量目标类的问题,其中应用到了神经注意力机制,被称作指针网络,能够用于学习一些具有挑战性的几何问题。
- 条件概率树的估计分析与算法
本研究考虑在 O (log n) 时间内估计标签的条件概率。通过将此问题归约为树状结构中的一组二分类回归问题,分析了与树的深度成比例的代价上限,并提出了第一个可证明构建标签的对数深度树来解决此问题的在线算法,经实验证明适用于约 106 个标 - EMNLP使用 RNN 编码器 - 解码器学习短语表示,用于统计机器翻译
本文提出了一种名为 RNN Encoder-Decoder 的神经网络模型,该模型由两个循环神经网络(RNN)组成,它将符号序列编码成固定长度的向量表示,并将该表示解码成另一个符号序列,并通过联合训练编码器和解码器来优化目标序列的条件概率, - 归纳推理的一般非概率理论
通过定义和说明,本文提出了一种新的解决方案来代表非概率性信念状态,并将其与概率理论进行比较,发现新理论在结构上类似于概率理论,但更容易实现,并且在某些方面更为简单。
- 协同过滤最大熵模型
利用最大熵的方法,通过求解一组线性方程来处理协同过滤中稀疏的训练数据和条件概率的计算问题。
- 关于条件概率的可计算性
研究概率论基础中的条件概率可计算性,并证明了存在无法计算的条件概率分布,从而排除了概率推断的通用算法存在的可能性,但在许多常见建模情况下仍然可以进行概率推断。
- 带辅助数据的广义矩估计模型的半参数效率
本研究探讨了通过辅助数据确定缺失数据条件概率的情况下,通过一般矩限制定义的参数的半参数效率界和有效估计。发现在两个样本是独立的情况下,条件概率不是辅助的。针对所有情况,提出了高效的半参数估计器,其中基于条件期望投影的估计器所需的正则性条件较