两篇新提交至 arXiv 的研究论文介绍了用于摊销贝叶斯推理的新颖方法。第一篇论文提出使用辅助监督来缓解贝叶斯推理神经网络优化中的表示差距，从而实现更快的收敛和更好的性能，尤其是在数据有限的情况下。第二篇论文提出了一种用于任意结构多层模型上摊销贝叶斯推理的通用方法，该方法从有向无环图表示自动推导出因子分解和神经网络架构。这种方法保留了所有条件独立性假设，并与黄金标准采样器非常匹配，同时将推理简化为快速前向传播。 AI
影响 摊销贝叶斯推理的这些进展可以为复杂的 AI 系统中更有效和准确的统计建模提供支持。
排序理由 两篇发表在 arXiv 上的研究论文介绍了贝叶斯推理的新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
We develop a general method for amortized Bayesian inference on multilevel models of arbitrary structure. Given a generative model specified as a directed acyclic graph, our method automatically derives valid factorizations of the joint posterior and matching neural network archi…
arXiv:2609.39525v1 Announce Type: new Abstract: Casting Bayesian inference as a neural network optimization problem targeting an amortized posterior is attractive, as it extends to otherwise intractable statistical models and offers near instantaneous inference for new datasets a…
arXiv:2609.40024v1 Announce Type: new Abstract: We develop a general method for amortized Bayesian inference on multilevel models of arbitrary structure. Given a generative model specified as a directed acyclic graph, our method automatically derives valid factorizations of the j…