- 深度学习与遗传算法用于宇宙贝叶斯推断加速
本文提出了一种新颖的方法来加速贝叶斯推断过程,特别关注嵌套取样算法。
- 高效、准确、轻量级的基于高斯局部线性映射的连续仿真推理
使用结构化概率分布的混合模型,提供了逼真的后验推断,相较于基于神经网络的仿真推断方法,在计算上具有更小的足迹,对于具有复杂模型和难以计算的似然函数的贝叶斯推断提供了一个可行的选择。
- 时引时间:使用动态影响单事件嵌入模型建模引用网络
科学科学(SciSci)是研究科学研究结构和动态的重要领域,其中 citation networks 是研究重点之一。本文提出了一种新颖的似然函数,用于对这种单事件网络进行建模,并提出 Dynamic Impact Single-Event - 关于具有潜在根变量的贝叶斯网络的注记
贝叶斯网络中的隐变量作为根节点计算的似然函数特征化,在剩余的显变量上的边缘分布也被命名为经验贝叶斯网络。通过显变量的观测数据集,我们可以量化经验贝叶斯网络的参数。我们证明,(i)从原始贝叶斯网络的这样一个数据集的似然性被经验贝叶斯网络的似然 - 基于病例对照研究的逻辑回归有效半监督推断
在半监督学习设置下,使用案例 - 对照抽样方法采集到的带有结果和协变量的标记数据集以及仅包含协变量的未标记数据集,可以通过构建观测到的标记和未标记数据的似然函数,并通过迭代算法获得最大似然估计,从而识别出截距参数并同时提高斜率参数的估计效率 - 频率或其部分和的区间截尾约束下的多项式似然函数的对数凹性
我们证明了在任意区间截尾约束下观测到的多项式向量的似然函数在频率或部分和上是完全对数凹的,通过证明约束样本空间包含离散单纯形的 M - 凸子集。
- 敏感度感知的摊还贝叶斯推断
我们提出了一种综合多角度的方法,将敏感性分析集成到摊销的贝叶斯推理中,并在应用建模问题中展示了其有效性。
- 小型语言模型更适合于黑盒子机器生成文本检测
本研究旨在通过训练检测器以区分生成文本与人类编写文本,并发现适用于小且部分训练的生成模型更易检测。检测器与生成器是否基于相同数据不影响检测结果。
- MM高斯 Copula 混合模型的性质
本文研究了高斯混合模型的推广形式 —— 高斯 Copula 混合模型,基于此模型开发了拓展的 EM 算法估计其参数,通过使用独立的非参数统计方法对每个维度的边缘分布进行估计,GCMM 可以实现对数据更深入的挖掘。实验表明,与高斯混合模型相比 - ICML单遍逐元素变换低秩逼近
本文提出了一种用于矩阵分解且只需一次通过矩阵的内部即可完成的内存高效算法,并且在同样类似于 Liang et al. 所研究的函数 $f$ 的条件下,误差显著减小,还提出了应用于回归问题的算法,并通过实验证明了其结果的正确性。
- 贝叶斯神经网络中的数据增强和冷后验效应
本文提出了几种方法来开发基于贝叶斯神经网络的数据增强,实现隐式使用随机扰动的对数似然,引入 “有限轨道” 设置,允许精确计算似然函数,并在更常见的 “全轨道” 设置中提供紧密的多样本边界。通过这些模型,我们发现冷后验效应即使在使用正确的似然 - 超分辨率变分自编码器
通过在变分自编码器中添加缩小版本的图像随机变量,提高图像生成的质量表现,使该方法在负对数似然方面和 VAE 表现相当,同时在数据合成方面获得更好的 FID 得分。
- 隐式最大似然估计
我们开发了一种简单的方法,用于估计隐式模型中的参数,无需了解似然函数或任何导出量的形式,但在某些条件下可以证明等价于最大化似然函数。此结果适用于参数有限且数据示例数量有限的非渐近参数设置,并展示了令人鼓舞的实验结果。
- ICML生成对抗网络的可能性估计
提出了一种简单的方法来评估生成对抗网络中生成的图像质量,通过定义与真实图像在鉴别器中的嵌入分布相关的高斯似然函数,并基于此定义两个简单的度量方式,从而得出一种适用于各种 GAN 的生成图像适应度的简单度量标准,CIFAR-10 上的实证结果 - 一个概率模型:基于因果关系的移动相机视频运动分割
本研究基于第一原理推导出新的似然函数,使用角度和光流大小的新组合来最大化关于物体真实运动的信息,开发了一种运动分割算法,比当前最先进的方法提高了很大的准确率,并在两个已建立的基准测试和一个新的伪装动物数据集上进行了对比。
- 使用生成事件模型进行事件相机位姿追踪
采用贝叶斯滤波框架和概率生成事件模型,利用感知到的事件的对比度残差为估计事件相机和环境位置的度量,解决了在已知环境下,仅使用事件数据定位的问题。
- 高效数据子采样加速 MCMC
提出了一种名为 Subsampling MCMC 的 Markov Chain Monte Carlo(MCMC)框架,其中通过对 m 个观测数据的随机子集进行估计,得到 n 个观测数据的似然函数,利用控制变量的高效无偏估计量来校正估计偏差 - BAMBI: 盲加速多模贝叶斯推断
本文介绍了一种快速贝叶斯分析算法,结合了嵌套抽样和人工神经网络的优点,能够显着提高似然函数的快速逼近,进而减少时间和计算量,可用于计算昂贵的似然函数的其他问题。
- 离散链图模型
该论文研究了基于三种不同的马尔科夫属性的离散模型的结构特性,其中一等级类别的 LWF 模型可以产生平滑的分类数据的离散模型,并且还证明了这种模型的似然函数在图中的链组成是完全的情况下是单峰的。
- 高斯协方差模型中高效的似然推断的图形方法
介绍了如何将双向图转化为最大祖先图,以提高高斯模型中的极大似然函数迭代求解效率及找出最大似然估计等于经验估计的情况。