- 通过深度生成图像先验在不同假设下对 M87 * 进行事件视界尺度成像
以事件视界望远镜(EHT)对 M87 星系中心的超大质量黑洞 M87 * 的观测为基础,通过引入不同偏好的先验知识,采用贝叶斯推断和基于评分的先验方法,灵活地设计了一系列先验规则用于图像重建,并评估了重建图像的视觉特征和不确定性在先验选择方 - 使用归纳先验学习三维机器人感知
通过使用结构性归纳偏差和先验知识,在机器人感知问题中提出了多种先验知识的来源和编码方法,以解决物体定位、决策制定和场景理解等挑战性问题。
- 扩散后照明技术用于模糊感知逆向渲染
逆向渲染是从图像中推断场景属性的挑战性逆向问题。我们提出了一种新颖的方案,将预训练于自然照明图上的降噪扩散概率模型与可微分路径追踪器相结合,允许从自然且能解释图像观察的光照和空间变化的表面材料组合中进行采样,以恢复材料并生成高度逼真和多样化 - 从随机过程中学习先验知识的差分隐私图像分类
本研究提出了 DP-RandP 方法,并从随机过程生成的图像中学习先验知识,并将这些先验知识传递给私有数据,从而提高了差分隐私随机梯度下降 DP-SGD 的隐私效用权衡的性能,并在 CIFAR10,CIFAR100 和 MedMNIST 数 - LMPriors: 预训练语言模型作为任务特定先验
通过引入语言模型先验(LMPriors),该研究证明了利用元数据来鼓励下游模型与 LM 的常识推理保持一致可以提高模型性能,并在多个任务中表现出良好的性能,如特征选择、因果推断和安全强化学习。
- 深度图像恢复和增强先验知识全知识:一项调查
本文是第一篇对 DL 中使用的先验进行系统研究和分析的综述性文章,包括深度图像恢复和增强的理论分析和结构分类、每种先验的原理和应用的深入讨论、未来方向以及提供所有提到的文献和代码链接的开源仓库。
- ECCV学习拟合形态模型
通过学习优化方法,提出了一种类 Levenberg-Marquardt 算法的更新规则,以更高效地适应新的模型拟合问题,并且在准确性和速度上具有竞争力。
- BNNpriors:具有不同先验分布的贝叶斯神经网络推断库
本研究提出了 BNNpriors 库,可以应用于贝叶斯神经网络,并且具有各种先验分布,包括重尾、层次结构和混合先验,以及模块化方法,易于设计实施自定义先验。通过在贝叶斯神经网络中发现冷后效应的本质,这将有助于未来的研究和实际应用。
- 贝叶斯深度学习中的先验知识综述
该综述强调了先验选择对贝叶斯深度学习的重要性,并概述了各种先验方法及利用数据进行先验学习方法,以期激励实践者们更加谨慎地思考其模型的先验规范。
- 基于源域松弛的图像分割领域自适应
提出了一种基于熵最小化的,无需同时访问源域和目标域图像的领域自适应(DA)方法,基于学习到的解剖学信息作为先验知识。该方法在多种分割问题中表现出可比较的结果,只需要使用一个网络和各种派生自解剖学信息的先验知识。
- ACL基于熵的数据过滤来提升神经对话模型
采用基于熵的方法,从对话数据集中过滤通用语句,以改善聊天机器人生成开放式回复时的多样性。通过 17 种评估指标的比较,我们证明使用经过此种过滤的数据集训练对话模型可以提高对话质量。
- 中位概率模型与相关变量
采用中位概率模型(MPM)来选择变量,在一类特定的先验分布下能最好地预测,而这个规则已经被广泛地使用于更广泛的先验分布和相关设计中,因此本文旨在解释 MPM 在这些情况中的特性,以及提供更广泛的先验概率分配方法和模型汇总概念,以此加强 MP - 高斯赌博机的 Thompson 抽样策略的最优性取决于先验知识
探讨多参数模型中 normal distribution 模型下 Thompson sampling 算法的优化问题及其 prior 选择的影响
- 草堆中的针和稻草:可能稀疏序列的后验集中
本文考虑了稀疏均值向量的多元正态均值模型中的贝叶斯推断,通过选择非零均值和非零值的先验分布对均值向量进行层次构建,找到了一些合理表现的非零系数先验和非零系数组合的先验,并通过模拟验证了此方法。