新型神经网络框架简化点模式的贝叶斯推断

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-14 04:00

研究人员开发了一种新颖的摊销变分框架，利用神经网络从复制的点模式中推断潜在点过程强度。该方法学习了一个可重用的推断规则，将点模式数据映射到共享潜在强度的分布，从而无需进行每次数据集的采样或优化。该框架在事件时间上进行训练，在合成数据上显示出改进的强度恢复和更窄的可信区间，并在自行车共享数据上实现了比现有方法更高的保留对数似然，同时显著减少了推断时间。 AI

影响这项研究引入了一种更有效的点过程贝叶斯推断方法，有可能加速利用此类数据的领域的分析。

排序理由该集群包含一篇详细介绍新统计推断方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 3 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新统计推断方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Wenqing Liu, Xenia Miscouridou, D\'eborah Sulem · 2026-10-14 04:00

从复制点模式中对潜在强度进行摊销变分推断

arXiv:2610.16669v1 Announce Type: new Abstract: Bayesian inference for latent point process intensities often relies on per-dataset sampling or optimization, making repeated inference computationally expensive. We propose a neural-network-based amortized variational framework tha…

本文如何被排名

报道来源 [1]

从复制点模式中对潜在强度进行摊销变分推断

相关实体

相关话题