Bayes' theorem
PulseAugur coverage of Bayes' theorem — every cluster mentioning Bayes' theorem across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的BGPO方法区分了决策模型中的信念分歧和不确定性
研究人员推出了一种名为信念分组策略优化(BGPO)的新型决策模型训练后方法,该方法区分了自信个体之间的分歧和共享信念中的不确定性。与将单一预测与观察到的选择进行评分的标准方法不同,BGPO提出了一系列信念,估计它们的普遍性,并为每个信念预测选择分布。这种方法利用贝叶斯规则估计每个信念产生观察到选择的可能性,从而权衡该选择对每个信念的对数得分奖励的贡献。BGPO在意见、对话安全、艺术品情感和照片美学等基准测试中表现出改进的性能,实现了更…
-
MIST:新型流式决策树解决在线类别增量学习问题
研究人员开发了 MIST(McDiarmid 增量流式决策树),一种用于在线类别增量学习的新型流式决策树方法。MIST 通过引入用于 Gini 分裂的 K-独立 McDiarmid 置信半径、用于投影父节点统计信息的贝叶斯继承协议以及每个叶节点的 KLL 分位数草图,解决了现有方法的局限性。这些组件使 MIST 即使在类别数量不断增加的情况下也能保持可靠性和知识迁移,在非高斯数据上表现优于其他基准。
-
新的贝叶斯框架通过对话增强多智能体任务分配
研究人员开发了一种新的贝叶斯框架,用于多智能体系统的动态任务分配,在部分可观察和目标不断变化的情况下特别有用。这种通信增强的方法利用对话来减少关于协作者行为和环境的不确定性,并将决策建立在明确的概率信念之上。在扩展的Overcooked领域进行的评估表明,在部分可观察的情况下,通信智能体始终优于标准的LLM智能体和不通信的基线,随着信息减少,效率提高,任务完成速度更快。
-
新的脑机接口解码器适应策略优先考虑资源效率
研究人员开发了一种新颖的资源定价阶梯方法,用于适应脑机接口(BCI)解码器,特别是针对脑电图(EEG)数据。该系统包含一个贝叶斯头部和一个仿射映射,旨在通过考虑准确性、拟合时间和标注成本来优化适应过程。研究表明,适应应该是有门控和有上限的,而不是连续进行的,因为效用最大化门控可能会在干净数据上过度适应。证据表明,像LDA头部这样的轻量级方法,其拟合时间远少于完全微调,就能达到或超过冻结信号的准确性,在某些情况下,工厂模型无需干预即可迁移。
-
贝叶斯推理模型在多智能体系统中展现出涌现式羊群行为和崩溃
研究人员详细介绍了一种利用贝叶斯和逆贝叶斯推理机制在多智能体系统中形成羊群和崩溃的新颖机制。在模拟中,使用这些推理方法的智能体在没有明确规则或指定领导者的情况下,意外地形成了领队-跟随羊群。当一个智能体预测到一个脱离的目标并吸引追随者时,羊群就会出现,领导者通过位置、航向稳定性和羊群发起来识别。该研究表明,个体不准确的预测可以通过一种称为“意外无效化”的过程导致集体秩序,该过程会调整信念和似然方差。
-
因果AI提升毫米波波束对齐的安全性和效率
研究人员开发了一个新颖的因果AI框架,以提高毫米波通信系统的安全性和效率。该方法集成了因果发现,构建了一个贝叶斯图,识别接收信号强度指示器(RSSI)与最佳波束索引之间的关键依赖关系,与传统方法相比,显著降低了计算成本和波束扫描开销。为了对抗对抗性攻击,采用了防御性变分自编码器(DVAE)来清理可能受到干扰的输入数据,即使在攻击场景下也能保持高精度,并且优于其他防御机制。
-
CONGA编译器利用高斯几何优化贝叶斯推断
研究人员开发了CONGA,这是一种编译器,旨在通过利用高斯条件几何来优化结构化贝叶斯模型中的推断。CONGA识别模型中的高斯块,并构建有效的传输图(如Brenier和Knothe-Rosenblatt图),以简化复杂的计算。这种方法显著提高了推断速度,实验表明在Stock-Watson通胀模型上,NUTS的效率提高了12.5倍,并在标准方法失败的情况下恢复了收敛性。
-
新的贝叶斯框架通过面向目标的优化设计提升因果发现能力
研究人员开发了GO-CBED,一个新颖的面向目标的贝叶斯框架,用于序贯因果实验设计。该框架优化干预序列,直接最大化对特定感兴趣因果量的预期信息增益,而不是旨在推断整个因果模型。为了处理计算复杂性,该系统采用变分下界估计器,使用基于Transformer的策略网络和基于归一化流的变分后验进行训练。该方法在各种因果推理和发现任务中,尤其是在实验预算有限的情况下,表现优于现有方法。
-
图像建模的演变:从手工先验到基础模型
本文全面概述了过去六十年图像建模技术的发展,追溯了其从手工数学先验到现代深度基础图像模型的演变过程。它在贝叶斯框架下统一了这些方法,将图像建模视为数据流形的概率表征。文章强调,无论是Tikhonov和TV等传统方法,还是即插即用先验和去噪扩散模型等当代技术,都可以通过对数先验的梯度或Stein分数函数的视角来理解。这一视角弥合了信号处理和机器学习之间的差距,展示了图像建模在追求去噪分数方面的持续进步。
-
LLM通过代码执行展示出改进的贝叶斯推理能力
研究人员开发了一个新的评估框架,用于测试大型语言模型(LLM)的贝叶斯推理能力。该框架评估LLM在上下文中更新信念的能力,这是科学发现的一个关键方面。虽然目前的LLM经常违反贝叶斯法则,但研究发现,具备高级推理和代码执行能力的模型可以显著提高其性能,非常接近复杂的后验分布。这表明,具备适当工具的LLM可能很快通过实现复杂的信念更新来加速AI驱动的科学发现。
-
新的iAUC框架通过不确定性感知增强风险预测评估
研究人员开发了一个新的框架,用于评估包含不确定性的风险预测模型。这种基于区间(interval-based)的AUC (iAUC) 方法将传统的ROC分析扩展到处理区间值预测,后者自然地表示不确定性。该框架将排序分解为自信正确、模糊和自信错误类别,提供了与区间覆盖相关的鉴别性能的理论界限。在包括MIMIC-IV死亡率预测在内的临床数据上进行的实验表明,具有相似点AUC的模型可以表现出不同的不确定性感知特征,有助于模型选择和基于阈值的弃权。
-
新研究探讨AI预测器在近似条件下的鲁棒性
一篇新论文探讨了机器学习中学习型通用预测器的鲁棒性,特别是研究了索洛莫诺夫归纳的近似如何影响预测误差。该研究为预测器偏离理想贝叶斯混合预测器时的最坏情况和平均情况预测误差提供了界限。研究表明,虽然近似可能在低概率环境中显著降低性能,但平均情况误差仍然有界。该分析已扩展到与神经网络和Transformers相关的有限采样设置。
-
新方法使用标记随机有限集进行岩土工程数据估计
一篇新论文介绍了一种使用标记随机有限集(LRFS)框架从不确定和不完整的数据中估计岩土工程属性的方法。该方法利用了广义标记多伯努利(GLMB)滤波器,这是一种用于多目标估计的贝叶斯技术,以处理测量不确定性。研究人员强调了LRFS特性与岩土工程中“大数据间接数据”的相似性,表明GLMB滤波器在以数据为中心的岩土工程中的潜力。使用公开的粘土数据库进行了实验以评估所提出的方法。
-
新型神经网络框架简化点模式的贝叶斯推断
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。
-
新的NeST-Bayes框架在多机器人系统中推断机器人和假设的信任度
研究人员开发了NeST-Bayes,一个新颖的神经符号框架,旨在推断多机器人系统中的信任度,而无需依赖预先存在的信任关系或外部身份信号。该系统通过分析机器人之间观察的一致性来联合评估个体机器人及其报告的假设的可信度。通过对Beta分布的信任信念进行贝叶斯更新,NeST-Bayes保持了时间上一致的信任估计,在各种基准设置下,即使在对抗性攻击下,也能在精确度和召回率方面表现出色。
-
机器学习进展已融入高能核物理研究
一篇新的综述文章探讨了机器学习(ML)在高能核物理(HENP)中的融合。文章重点介绍了将物理知识越来越多地纳入数据分析、模拟和推理过程的最新进展。文章详细介绍了从事件分类和模式识别到更复杂的物理集成式工作流程的应用,例如QCD性质的贝叶斯提取以及从重离子和中子星数据中推断致密物质的状态方程。该综述强调了如何应用对称性和守恒定律等物理约束,以及不确定性量化如何确保可靠的物理结论。
-
新模型识别人类学习动力学参数
研究人员开发了一个新模型,将人类学习理解为一个耗散动力学过程,类似于非线性常微分方程组。该模型旨在捕捉知识如何在相互关联的概念中积累、衰减和传播。该研究证明了一个结构可辨识性定理,表明在特定的激励条件下可以精确恢复模型参数,并在更简单的情况下提供建设性的闭式解。然而,在大型观测数据集上,模型参数无法准确恢复,这表明在没有设计的激励的情况下,在实际应用中存在局限性。
-
新的扭曲流方法改进了贝叶斯逆问题采样
研究人员开发了“联合扭曲流”(joint twist-flow),这是一种用于贝叶斯逆问题的新型表述,可增强后验采样。该方法学习增强源状态和终端状态之间的连续传输,并结合了高斯似然侧坐标,以在不牺牲后验变异性的情况下提高观测一致性。该技术已在图像恢复和地震地下速度模型反演任务中得到验证,与现有的条件流基线相比,在保留多模态后验支持方面表现更好。
-
新的QuanVI算法使用受量子启发的算法进行高维推断
研究人员推出了一种新颖的评分式变分推断算法QuanVI,该算法解决了高维应用中的挑战。通过将混合态密度算符表述与使用矩阵乘积算符(MPO)结构的量子张量网络(QTN)参数化相结合,QuanVI可以更有效地表示退化的低能子空间。这种方法压缩了密度算符以防止参数呈指数增长,并在低维度上与精确解达成一致,同时扩展到高维基准测试。
-
基于贝叶斯树邻接文法的方程发现
研究人员引入了一种使用树邻接文法(TAGs)的贝叶斯方程发现方法。该方法定义了树结构和参数上的生成先验,并采用可逆跳跃马尔可夫链蒙特卡洛(Reversible-Jump MCMC)采样器来推断联合后验分布。该方法在模拟多项式NARX系统、Silverbox基准测试和波浪载荷数据上进行了测试,证明了其在量化不确定性和拟合动力学系统的物理信息模型方面的能力。