- 在代码分布变动下对大型语言模型的不确定性认知:基准研究
大规模语言模型在编程语言分析中被广泛应用以提高人类生产力。本研究通过引入大规模基准数据集,调查了应用概率方法来处理与代码分布变化相关的问题,结果表明这些方法能够提高 CodeLlama 的不确定性感知能力,并增加校准质量和不确定性估计精度。 - BClean:一个贝叶斯数据清洗系统
提出了一种名为 BClean 的贝叶斯清理系统,使用自动贝叶斯网络构建和用户交互,并通过贝叶斯推断将数据清理问题重新定义,展现出优于现有贝叶斯方法 2% 和其他数据清理方法 15% 的数据清理能力。
- 利用神经随机微分方程的建设性方法实现函数
本文采用构造性方法对系统动力学施加各种结构限制,从而表征了这样一个可以通过神经随机微分方程(神经 SDE)、确定性动力学系统和输出映射的级联互连实现的函数类。
- 卫星影像中的标签比例轻量级学习
本文旨在探讨如何使用深度学习与概率方法,基于卫星图像上的较粗标签信息,提高对细粒度标注的预测精度,并提供一套用于基准测试的数据集,以促进基于标签比例学习在地球观测领域的应用发展。
- 关于概率神经摘要中的不确定性校准和选择性生成:一项基准研究
我们研究了深度学习方法在文本摘要中存在的局限性,提出使用概率深度学习方法来提高模型生成与不确定性质量, 并在实践中采用适当的方法来避免摘要生成的低质量问题。
- ICCVU-CAM: 基于不确定性的类激活映射的可视化解释
本研究针对深度学习模型的解释提出了一种方法,通过梯度获取与误分类样本更相关的确信度估计和提供视觉注意力图,特别是在视觉问答任务中,该方法采用现代概率深度学习方法,并进一步通过这些估计梯度进行改进,得到具有人类注意区域相关性的先进的注意力图, - ACL不要以为前提成立:减轻自然语言推理中的人为误差
提出两种概率方法以构建更稳健的模型,让其更好地跨数据集进行传递,解决了自然语言推理数据集中存在的偏见问题。通过在含有偏差的数据集上进行训练,并在不含偏差数据集上进行测试,结果表明这些方法能够使模型更加稳健,相比基线模型在 12 个自然语言推 - 评估数据集偏移下模型预测不确定性的可信度
以大量分类问题为基础,对现有现代机器学习方法中不同的贝叶斯和非贝叶斯概率量化预测不确定性的方法进行了评估,发现一些基于模型边缘化的方法在广泛的任务领域内表现出令人惊讶的强大效果。
- CVPR密度自适应点集配准
本研究利用基于期望最大化的框架最小化 KL 距离,构建点云场景的潜在概率分布模型,使其能够适应密度变化,并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法,而无需重新采样。
- 机器翻译质量评估中的预测不确定性探讨
探索概率方法来提高机器翻译质量评估,提供良好的置信度估计,并通过全后验预测分布进行评估。还展示了在不对称风险的情况下如何利用后验信息,从而捕捉翻译工作流程中的典型情况。
- 一种贝叶斯模型用于识别手写数学表达式
该研究提出了一种基于贝叶斯网络的符号识别方法,将识别结果组织成一个解析森林,通过提取概率最高的解析树,实现对手写数学公式的准确识别。两次评估结果表明,该方法比以前的版本和其他学术中使用的数学公式识别器更加准确。
- p 范数 n 维球几何的概率方法
利用概率方法,研究了 B_p^n 上的各种几何问题,包括坐标板的子独立性、线性泛函的矩、Gaussian 平均值在 B_p^n 的截面上的极值等,并对向量平衡和多面体的覆盖数等问题进行了应用。