- 一种基于三元马尔可夫链的概率半监督方法
本文提出了一种基于变分贝叶斯推理的通用框架,用于在半监督环境中训练参数化的三元马尔可夫链模型,从而实现对顺序贝叶斯分类的多种生成模型的半监督算法。
- 均质空间上的潜隐式微分方程
研究在一个固定的同质化潜在空间中的矩阵李群诱导的随机微分方程类型中的变分贝叶斯推断问题,并以具有竞争力的或甚至是最先进的性能完成各种时间序列插值和分类基准测试。
- IJCAI无需标签的 Logit 调整
本文提出了一种利用生成模型在 Generalized Zero-Shot Learning (GZSL) 任务中识别新类别的技术,使用变分贝叶斯推理方法推导评估指标,借助 logit adjustment 融合生成的伪类别信息到分类器中,进 - 单个测试样本跨域泛化学习
该论文提出了一种利用单个测试样本进行跨域泛化模型训练的元学习方法,将单个测试样本的自适应变形建模为一种变分贝叶斯推断问题,从而在无需额外数据的情况下实现了对每个测试样本的自动调整,并在多个领域泛化基准测试中取得了至少与现有最先进方法相当甚至 - ICML更贝叶斯:具有不确定性的领域不变学习
本文提出了一种基于概率框架和可分变贝叶斯推理的方法,将不确定性引入神经网络权重来处理由于目标域数据不可访问引起的域移位和不确定性挑战。实验结果表明,该方法在四个广泛使用的交叉域视觉识别基准测试中始终提供最先进的平均准确性。
- AAAI变分贝叶斯推理与最大不确定性正则化的半监督学习
本文提出了两种半监督学习的方法,第一种是将权重扰动方法(WP)应用到现有的一致性正则化(CR)方法中,第二种方法提出了一种新的一致性损失函数叫做 “最大不确定性正则化”(MUR),实验结果表明,将 VBI 或 MUR 或两种方法结合使用可以 - k-tied 正态分布:贝叶斯神经网络中高斯均值场后验的紧凑参数化
通过对高斯均值场变分推理方法训练的深层贝叶斯神经网络的后验标准差进行矩阵低秩分解,我们可以将变分推理方法更紧凑地参数化,并提高其信噪比,从而加速其收敛速度。
- 基于温度缩放的 Dropout 变分推断模型的良好校准的不确定性
本文提出使用温度缩放法校准模型不确定性,进而减少不确定性的误差,通过对 CNN 架构的实验结果表明,该方法有效地减小了 UCE,提高了模型可靠性并不影响模型的准确性。
- KDD贝叶斯非负矩阵分解推断方法的比较研究
该研究考虑用贝叶斯矩阵分解法进行数据预测和模式发现,比较了不同推理方法在噪声和数据稀疏性下的收敛性和鲁棒性,并讨论了如何通过提出的贝叶斯自动相关性确定先验进行模型选择。
- 变分 Dropout 和局部重参数化技巧
本文探讨了一种局部重参数技术来大大减少变分贝叶斯推断(SGVB)的随机梯度方差,同时保留并行可行性,并且将全局参数的不确定性转化为本地噪声,本方法可以推广到更加灵活参数化的后验分布中,同时探究了一种与 dropout 的关联。
- 一种基于变分推断的贝叶斯张量分解模型用于链接预测
通过 VB 推断技术对单个和耦合张量分解模型进行全贝叶斯推断,有效地解决了缺失链接预测问题。
- 主题模型中的混合变分 / 吉布斯坍缩推理
我们提出了一种混合算法,将 collapsed Gibbs 采样和 variational Bayesian 推断相结合,取得了显著的测试集困惑度改善,同时不增加计算成本。
- 多个不完美分类器的动态贝叶斯结合
本论文利用变分贝叶斯推断的框架探究贝叶斯分类器组合,应用于来自 Galaxy Zoo Supernovae 项目的真实数据,并展示出此方法远优于其他已有的不完美决策组合方法;最终,我们提出了一种动态贝叶斯分类器组合方法,研究了基础分类器性能