- Neural-g: 混合密度估计的深度学习框架
通过神经网络实现混合密度估计以及先验概率密度估计的新方法 neural-g,并证明了神经网络可以学习任意概率质量函数的能力。
- 贝叶斯加法回归树的共同数据学习
应用贝叶斯加法回归树 (BART) 模型,结合实证贝叶斯 (EB) 框架和外部协变量信息(Co-data),以解决医学预测中小样本和高维数据的问题,并证明该方法在不同类型的 Co-data 下具有较好的预测性能。
- 学习排序的悲观离线策略优化
本文研究基于数据采集的 “离线学习” 在推荐系统中的应用,提出了基于点击模型的悲观离线排序学习方法,经过实验和分析表明其优越性和通用性。
- 冷后验分布与随机不确定性
本文探讨了后验温度的调整在贝叶斯神经网络中的作用以及先验的影响,研究发现,在高质量的分类数据集如 MNIST 或 CIFAR 中,经常使用的先验能够显著地高估标签的不确定性。研究在高斯过程回归中发现,任何正数的温度都对应于一个经过修改的先验 - ICLR梯度源网络
本文提出了一种新型生成模型,通过零初始化潜在向量,然后使用数据与该向量的对数似然梯度作为新的潜变量,实现经验贝叶斯法来计算后验期望,此法性能类似于自编码器,但是架构更简单,可以用于变分自编码器,可以通过隐式表示网络学习一组隐式函数空间,而不 - 贝叶斯元先学习:基于经验贝叶斯的方法
本文提出了一种层次经验贝叶斯方法,以解决实际问题中面临的挑战,即缺乏信息先验和无法控制参数学习速率的问题。该方法从数据本身学习经验元先验,并将它们用于解耦 GLM 中的一阶和二阶特征的学习速率。作者将其应用于标准监督学习优化问题以及在线组合 - AAAI使用经验贝叶斯为贝叶斯深度神经网络指定权重先验
提出了 MOdel Priors with Empirical Bayes using DNN(MOPED)方法,利用推理后验进行变分推断。 实验证明,该方法可以实现可扩展的变分推断并提供可靠的不确定性量化。
- 神经经验贝叶斯
本文提出了一种结合核密度估计和经验贝叶斯方法的新的非监督学习目标,并把优化问题抽象成为高维球体的交互。基于这一机制我们提出了两种新的算法框架:基于 Langevin MCMC 和经验贝叶斯的 “步进 - 跳跃” 采样方案和一个概率框架用于联 - 具未知高斯过程先验的元贝叶斯优化的遗憾界
本文提出一种基于经验贝叶斯的方法,估计高斯过程先验,并构建无偏估计的后验,在线实验中达到近似零遗憾边界。
- 鲁棒贝叶斯神经网络的确定性变分推断
本研究提出两种创新方法以将变分贝叶斯转化为贝叶斯神经网络的稳健推理工具:一种新的确定性方法用于逼近神经网络的矩,消除了梯度方差;一种参数的分层先验和自动选择先验方差的新的经验贝叶斯程序。将这两种方法结合起来,所得到的方法高效而稳健,在异方差 - 基于经验贝叶斯框架的流行病灵活建模
使用半参数经验贝叶斯框架,结合 Google Flu Trends 数据,开发了一种预测流感季节流行病情况的框架,可针对流感样病毒构建有合理变化的流行曲线,对抗历史数据进行了交叉验证,结果表明该方法更好地预测了未来的病情。
- 微阵列,经验贝叶斯和双组模型
这篇论文是关于对使用 Microarrays、经验贝叶斯和双组模型的文章 [arXiv:0808.0572] 进行评论的。
- 离散选择大规模模型的变分推断
本文介绍了利用变分方法进行离散选择模型贝叶斯推断的过程,并且在大规模数据集上,相比马尔可夫蒙特卡罗方法,可以在更小的计算成本下达到相当的精度。