Bayes' theorem
PulseAugur coverage of Bayes' theorem — every cluster mentioning Bayes' theorem across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
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。
-
新论文详述了用于生成模型函数空间的测度逼近
arXiv上的一篇新论文介绍了一类测度 $\mathcal{P}_\psi(\mu)$，该类测度通过有限维映射 $\psi$ 来逼近参考测度 $\mu$。这种方法对于贝叶斯逆问题和生成模型特别有用，可以实现高效的采样和表示。研究展示了其在非线性观测映射、具有跳跃过程先验的去卷积以及Navier-Stokes流状态估计等领域的应用。
-
贝叶斯框架利用遥感技术审计屋顶太阳能容量
研究人员开发了一种新的贝叶斯框架，利用遥感数据精确评估屋顶光伏（PV）容量。该方法解决了分散式可再生能源官方统计数据不准确的问题。将其应用于法国后，该框架估计的屋顶光伏容量为 4.03 GWp，在全国范围内与输电系统运营商的数据非常吻合，同时揭示了地方上存在显著的漏报情况。
-
FactorEngine框架利用LLM引导的代码生成挖掘金融市场信号
研究人员开发了FactorEngine (FE)，一个用于在金融市场中发现预测信号的新框架。FE将因子视为可执行的、图灵完备的代码，将逻辑修订与参数优化分离，并采用LLM引导的搜索。它还通过多代理管道将非结构化金融报告整合到可执行的因子程序中，并使用经验知识库进行精炼。回测表明，FE在预测稳定性和投资组合影响方面显著优于基线方法。
-
无人机使用集合成员方法进行射频源定位
研究人员开发了一种使用协同无人机（UAV）机队定位间歇性射频（RF）源的集合成员方法（SMA）。该方法评估源位置和无源区域的集合估计，特别适用于发射周期未知但有界的射频发射器。模拟表明，SMA在定位精度和收敛速度方面均优于贝叶斯基线。
-
新理论定义了语言模型的贝叶斯智能
研究人员开发了一个理论框架，用于理解智能体（如语言模型）的贝叶斯智能。该理论认为，智能体在响应提示时使用贝叶斯定理更新其内部状态，如果其报告不完全矛盾，则其行为被认为是智能的。该框架还引入了一个智能等级，表明具有更具信息量实验的智能体将拥有排除不具信息量对应体排除的答案的报告。此外，研究强调了聚合智能体报告的挑战，特别是在对世界完整状态的信念没有完全表达的情况下。
-
新论文将Amari贝叶斯对偶推广至AI领域
Mohammad Emtiyaz Khan在arXiv上发表的一篇新论文推广了Amari的贝叶斯对偶，这是信息几何和机器学习中的一个概念。该研究通过凸对偶将这种对偶性与贝叶斯规则联系起来，提供了一个更广泛的框架，在现代人工智能中具有潜在的应用。
-
Claude 技能通过可视化 ELI5 解释简化复杂主题
由 Thariq Shihipar 开发并公开分享的一个新的 Claude 技能，使用 10 行代码片段将复杂主题转化为可视化、易于理解的解释。这项“ELI5”（像我五岁一样解释）技能会生成文本最少、图像突出的 HTML 页面，旨在引入技术术语之前建立基础心智模型。虽然它不能替代详细文档，但可以作为学习新科目（尤其是在编码和技术领域）的有效入门工具。
-
新论文通过贝叶斯视角统一LLM训练方法
一篇新论文提出了一个统一的贝叶斯框架，用于理解各种大型语言模型（LLM）的训练和评估范式，包括监督微调（SFT）、上下文学习（ICL）和KL正则化强化学习（RLHF/RLVR）。所提出的方法将这些方法视为对广义贝叶斯或Gibbs后验的不同类型的投影，区分了权重空间和上下文内投影。这种视角旨在阐明令人费解的经验结果，并为现代推理管道（如DeepSeek-R1和o1风格模型中使用的管道）提供见解。
-
新方法解决具有信息缺失标签的半监督分类问题
研究人员开发了一种新的半监督分类方法，用于处理缺失标签的数据，特别解决了缺失标签的概率依赖于观测特征的情况。该方法将缺失机制建模为与Weibull混合分类器共享参数的特征依赖性随机缺失（MAR）过程。研究表征了决策区域，推导了分类器的Fisher信息，并分析了插件样本规则的预期错误率。数值模拟和硬盘故障数据分析表明，通过考虑特征依赖性标签缺失，可以潜在地提高分类准确性和决策边界估计。
-
新的自适应无浏览器系统提高了网络价格提取的准确性
研究人员开发了一种新的自适应无浏览器系统，用于从电子商务网站提取价格数据。该系统结合了 HTML 分块与语法、语义和频率规则，并通过贝叶斯方法进行动态规则加权和遗传算法进行参数优化来增强。与基线方法相比，混合方法将精度从 77.2% 显著提高到 87.3%，并将处理时间缩短了约 14%，为基于浏览器或基于 LLM 的解决方案提供了一种经济高效且准确的替代方案。
-
大型语言模型AI代理绕过复杂的概率计算，尽管存在理论框架
用作AI代理的大型语言模型（LLM）本身不计算概率，尽管像部分可观察马尔可夫决策过程（POMDP）这样的理论框架表明它们应该这样做。虽然POMDPs为不完全信息下的决策提供了数学模型，并使用贝叶斯定理根据新观察更新信念，但基于LLM的代理通常不执行这些复杂的计算。精确求解POMDPs的计算成本使其不适用于实际应用，导致LLM代理依赖于不同、不太严谨的决策方法。
-
关于无限记忆在线预测的新理论
本文为具有无限记忆的在线预测场景引入了一个新的理论框架，特别针对由外部来源驱动的二元标记预测。该研究为可求和包络建立了精确的极小极大遗憾界限，为指数和多项式包络提供了精确的尺度。一个关键发现是，仅保留最近的输入可能导致遗憾值在多项式尺度上存在差异，并提出了一种在线牛顿预测器以达到上限。
-
新的贝叶斯框架增强了图依赖趋势过滤
研究人员开发了一种新的贝叶斯趋势过滤框架，该框架能有效利用图依赖数据结构。通过将图信息纳入趋势、局部收缩和马尔可夫链蒙特卡洛采样算法中，该方法提高了适应性和精度。该框架提供了改进的点估计和区间估计，以及具有竞争力的计算性能，并已应用于 COVID-19 大流行期间失业数据的时空建模。
-
新的RAG评估方法在土耳其语和领域特定数据方面出现 · 追踪4个来源
研究人员正在开发新的方法来评估和改进检索增强生成（RAG）系统。一项研究比较了土耳其语RAG的不同分块和嵌入策略，发现对于包含表格的文档，布局感知分块最有效，而特定语言的嵌入模型并未提供显著优势。另一篇论文介绍了一个统一的贝叶斯框架，称为The RAT，用于联合建模检索成功率、弃权和答案正确性，揭示了在边际指标上看似相似的RAG系统之间的行为差异。第三种方法TRIAD自动化了用于RAG评估的领域特定问答数据集的生成，包括多跳查询和无法…
-
新的混合模型结合了贝叶斯和神经网络，以改进行为预测
研究人员开发了一种名为贝叶斯蒸馏行为调优（BBT）的新方法，该方法结合了贝叶斯模型和神经网络的优势来预测人类行为。该方法首先使用合成数据训练神经网络来模仿贝叶斯模型，然后使用实际的人类行为数据对其进行微调。在四个案例研究中，BBT在预测行为和提供心理学见解方面表现出优越的性能，通过同时捕捉贝叶斯先验和人类特有的启发式方法及偏差，优于传统方法。
-
RecPFN 将上下文学习引入推荐系统
研究人员推出 RecPFN，这是一种用于顺序推荐系统中上下文学习的新型网络。该模型在合成数据上进行预训练，使其能够以最少的数据进行贝叶斯风格的推理。然后，一个轻量级的仅解码器 Transformer 在单次传递中生成下一项预测，而无需更新权重。RecPFN 在八个基准测试中展示了最先进的零样本性能，在低计算和低数据场景中优于监督方法，并为可泛化和数据高效的推荐器提供了一种实用的方法。