- 层次图神经网络的概率天气预测
机器学习在高分辨率天气预报方面已成为一种强大的工具,而准确捕捉这一混沌天气系统中的不确定性要求概率建模。我们提出了一种名为 Graph-EFM 的概率天气预报模型,结合灵活的潜变量形式与成功的基于图的预测框架。使用分层图构建使得能够高效地采 - LLM 过程:基于自然语言的数值预测分布
构建能够处理数字数据并根据自然语言文本进行概率预测的回归模型,以整合先前的知识和信念,提高预测性能并给出定量结构。
- ICLR基于时间文档历史的未来语言建模
预测未来的文本数据,结合时间历史背景,基于概率模型建立了未来语言模型。
- 使用语言模型的自动统计模型发现
基于大型语言模型的自动统计模型发现方法,在预先制定的模型空间、开放式空间和自然语言约束下,能够与人类专家设计的模型媲美,并以可解释的方式扩展经典模型的性能,具有很大的潜力。
- 关联记忆与概率建模的桥梁
通过观察到关联记忆的能量函数可以被看作是概率建模的负对数似然函数,我们建立了一个桥梁,使得这两者之间的有益思想可以互相流动。在这项工作中,我们提出了基于能量的模型以适应新的上下文数据集,提出了两种新的关联记忆模型,通过关联记忆的工具,我们系 - 大型语言模型的时间箭头
我们通过时间方向性的角度研究自回归大规模语言模型的概率建模,经验性发现这类模型在自然语言建模方面存在时间上的非对称性:在预测下一个标记和预测上一个标记时的平均对数困惑度存在差异。这种差异在多个模式(语言、模型大小、训练时间等)上既微妙又非常 - 通过探索分布结构来研究特征
基于数据集的概率建模和对噪声的鲁棒性广泛测量,本文提出了一种新的数据冗余度测量框架和检测标准,并使用确定性和随机优化技术开发了新的数据冗余度减少方法。我们在基准数据集上进行的实验表明了我们方法的有效性,并为监督和无监督学习问题提出了一种新的 - 从确定到不确定的回答:针对视频问答的不确定性感知课程学习
通过在课程学习(CL)框架中逐步训练模型,将 VideoQA 引入其中,并通过不同类型的不确定性引导困难度的动态调整,本论文提出了增强模型泛化能力的可能性,并通过综合实验验证了该方法的有效性。
- 可解释的、基于模型的层级安全强化学习框架
该论文提出了一种将深度强化学习与概率建模和决策策略相结合的新方法(BC-SRLA),该方法在安全关键系统中具有优越性能,并且在维护领域的案例研究中展示出了比先前技术和其他基准更好的表现。
- GUPNet++:用于单目三维物体检测的几何不确定性传播网络
通过概率建模几何投影,提出了一种几何不确定性传播网络(GUPNet++),用于改进单目三维物体检测的准确性和可靠性。
- 生成流网络作为熵正则化强化学习
最近提出的生成流网络(GFlowNets)是一种通过一系列操作,使策略从概率与给定奖励成比例的组合离散对象中采样的方法。我们的工作将强化学习和 GFlowNets 的联系扩展到一般情况,演示了如何将学习生成流网络的任务高效重新定义为具有特定 - 使用基于机器学习的概率暴露模型制作的德国新的高分辨率室内氡地图
我们提出了一种基于模型的方法,利用环境和建筑数据作为预测因子,以更高的空间分辨率实现室内氡分布的更真实估计。结果显示,室内氡的平均值为 63 Bq/m3,几何平均值为 41 Bq/m3,95% ile 为 180 Bq/m3。超过 100 - 使用退出一个样本最大对数似然目标稳定训练概率模型
基于数据驱动方法的概率建模用于电力系统运行和规划过程,需要充足的大型数据集。本文提出一种自适应的核密度估计模型,通过分配可学习的权重给核心实现了该模型的性能改进,同时使用修正的期望最大化算法加快优化速度,并通过和高斯混合模型的比较,表明所提 - 随机时空动态的等变神经模拟器
本文介绍了一种基于神经网络的概率建模方法,该方法能够自动产生相对应于不同情况下不变性变化的概率分布,这种方法被称为等变概率神经模拟(EPNS),其应用于随机 n 体系统和随机细胞动力学的模拟结果表明,EPNS 比现有的神经网络方法具有更高的 - 概率建模:在脉冲神经网络中证明彩票票证假设
本文提出了一种新的概率建模方法来适应间歇性发放信号神经元的复杂时间空间动力学,通过定理及实验证明了 LTH 在间歇性发放信号神经网络上成立,并进一步设计了一种基于我们理论的新的剪枝准则,取得了比基线更好的剪枝效果。
- 变分关系点补全网络用于稳定的 3D 分类
本文提出了一种基于变分关系点补全网络(VRCNet)的框架,采用概率建模和关系增强技术,实现对不完整点云进行准确重建,并达到对部分点云进行 3D 分类和模型识别的目的。
- 深度潜在位置主题模型用于文本边网络的聚类和表示
本研究介绍了一种基于概率模型和可变图自动编码器方法的 Deep-LPTM 模型聚类策略,使节点和边在两个嵌入空间中构建联合表示,以解决社交网络中的节点聚类和数据可视化等问题,并在 Enron 公司的电子邮件数据上进行了验证。
- 扩散模型知识蒸馏的综合调查
许多概率模型可以灵活地提取 Diffusion Models 来学习基础知识,该论文提供了现代方法的全面概述,以提取 Diffusion Models 中的知识,并共享一些在该领域开始研究的基本了解人士可能感兴趣的信息。
- ICLR一个在 SO (3) 上受拉普拉斯启发的概率旋转估计分布
本文提出了一种基于 Laplace 分布的 Rotation Laplace 分布,用于解决单 RGB 图像 3DoF 旋转估计的问题,其具有鲁棒性和更好的收敛效果,并在概率和非概率基线上实现了最先进的旋转回归任务表现。
- 利用概率机器学习建模量化无线传感中的不确定性
这篇论文介绍了机器学习在无线通信领域的应用,并提出了开发带有概率建模的 ML 系统来解决 ML 模型推理可靠性和不确定性的问题。作者使用 WiFi 信道状态信息进行了真实案例演示来证明该方法的正确性,并指出这种方法可以用于无线感知应用中,不