- 广义对比散度:借助逆强化学习的能量模型和扩散模型的联合训练
我们提出了广义对比散度(GCD),这是一种同时训练能量模型(EBM)和采样器的新型客观函数。GCD 通过用可训练的采样器(如扩散模型)取代马尔可夫链蒙特卡罗(MCMC)分布,将对比散度(Hinton, 2002)这种训练 EBM 的著名算法 - 通过双 MCMC 教学学习基于能量的模型
本文研究了基于能量的模型(EBM)的基本学习问题,通过最大似然估计(MLE)和生成模型的联合训练来提高 EBM 的学习效果。
- 探索贝叶斯决策树后验的 RJHMC 树
使用贝叶斯方法从数据中学习决策树是一项具有挑战性的任务,本文研究了使用 Hamiltonian Monte Carlo 方法来更高效地探索贝叶斯决策树的后验概率,并通过与标准数据集的比较展示了其在预测测试准确率、接受率和树复杂度方面的优势。
- 基于贝叶斯的从未知一般干预中发现因果关系
学习因果有向无环图(DAG)的问题,使用观测和干预实验数据的组合进行研究,采用贝叶斯方法从一般干预中进行因果发现,通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性,利用马尔可夫链蒙特卡洛(MCMC)拟合 DAG、干预目标和导 - 加权 Riesz 粒子
马尔可夫链蒙特卡洛 (MCMC) 方法通过对复杂统计分布进行局部探索来模拟,尽管避免了对目标的具体分析表达式的繁琐要求,但这种对不确定参数空间的随机探索需要大量样本,而且随着参数维度的增加而增加计算复杂性。我们将目标分布视为一个映射,其中参 - 不完全信息博弈中的历史过滤:算法与复杂度
我们介绍和分析了子游戏分解中过滤历史的计算方面和可处理性,揭示了深度有限搜索通过子游戏分解在不完全信息环境下进行顺序决策的时机和方式。
- 黎曼流形上的高斯差分隐私
我们在广义 Riemann 多概率下开发了一种先进的方法,该方法能够推广高斯差分隐私(GDP)到各个 Riemann 流形,通过利用几何分析中的 Bishop-Gromov 定理,我们提出了一种在带有有界 Ricci 曲率的 Riemann - 带参数化图分布的图神经网络
通过使用潜变量来参数化和生成多个图形,该研究采用期望最大化(EM)框架基于多个图形获得网络参数的极大似然估计,在涉及不确定性的图形中取得了较基准模型更好的性能改进,如异构图形上的节点分类和化学数据集上的图形回归任务。
- STANLEY:基于随机梯度异向 Langevin 动力学的能量模型学习
我们在本文中提出了 STANLEY,这是一种用于高维数据采样的随机梯度非各向同性 Langevin 动力学方法。通过能量基建模,我们介绍了一种用于改善采样数据质量的端到端学习算法,同时考虑了 EBM 训练中未知的归一化常数和 MCMC 方法 - 基于机器学习代理的贝叶斯反问题方法应用
使用神经网络作为代理模型,解决逆问题中基于二维声波方程噪声数据推断源位置的问题。
- 切比雪夫粒子
Markov 链蒙特卡洛 (MCMC) 是推断隐藏马尔可夫模型的可行方法,但由于参数空间中蒙特卡洛采样器在不确定区域内随机采取小步骤,受维度诅咒的约束往往导致计算上的限制。我们首次将目标的后验分布视为样本在无限维欧几里得空间中的映射,其中嵌 - 通过 MCMC 速度测量学习变分自动编码器
研究纵观了变分自编码器(VAEs)的训练方法,提出了一种基于熵的自适应方法来优化更紧的变分下界,该方法能适应潜在层次变量模型中复杂的后验几何结构,并获得更高的生成度量。
- 使用 MCMC 和 VI 训练的贝叶斯神经网络在高光谱图像上的目标检测
在高概率内提供准确的预测和估计,并比较了使用 Markov Chain Monte Carlo 和 Variational Inference 训练的贝叶斯神经网络在高光谱成像中的目标检测中的性能表现。
- 地质 CO2 封存的代理模型及其在基于 MCMC 的历史匹配中的应用
在这项研究中,我们利用基于深度学习的代理模型来处理具有高度地质不确定性的地质碳储存系统,通过使用大量地质情景下的地质模型实现了准确的预测,并将其用于马尔可夫链蒙特卡洛历史匹配工作流程以降低地质不确定性,从而得到与真实模型更接近的 3D 压力 - 快速和功能性的结构化数据生成器基于非平衡物理学
本研究提出了一种新的训练算法,利用非平衡效应来提高受限玻尔兹曼机的能力,并成功地应用于四种不同类型的数据以产生高质量的合成数据。
- SpreadNUTS-- 无 U 转噬取样的路径适度动态延伸和区域划分
本文介绍了一种针对 Hamiltonian Monte Carlo (HMC) 算法中 no-U-turn sampler (NUTS) 进行改进的方法,以实现更快的收敛速度。
- 一种反扩散方法的蒙特卡洛抽样
本研究探讨了通过反向扩散的后验采样潜力,提供了一种新的后验采样算法,其可有效解决高维采样问题,并提供了收敛分析和性能验证。
- 二元优化的蒙特卡罗策略梯度方法
通过使用概率模型和 Markov Chain Monte Carlo 技术,基于参数化的策略分布,对二进制优化问题进行近似优化,本文同时提出了一种滤波方案来扩展函数的景观,并证明了策略梯度法的期望收敛性。
- 高斯过程网络的贝叶斯方法
本文研究高斯过程网络 (GPNs) 的贝叶斯结构学习问题,提出基于蒙特卡罗和马尔可夫链蒙特卡罗方法的网络结构后验分布抽样算法,并在模拟实验中证明该方法在恢复网络图形结构和提供准确后验分布方面优于现有算法。
- 基于随机傅里叶特征的贝叶斯非线性潜变量建模
提出一种新的方法,用于一般化贝叶斯非线性潜在变量建模,通过使用随机傅里叶特征来逼近高斯过程映射中的核函数,从而将 GPLVM 推广至泊松、负二项和多项分布等情况,并通过随机特征潜变量模型(RFLVM)对广泛的应用进行评估,结果表明该算法在复