Bayesian Methods
PulseAugur coverage of Bayesian Methods — every cluster mentioning Bayesian Methods across labs, papers, and developer communities, ranked by signal.
-
新框架连接广义样条与高斯过程
本文介绍了一个广义框架，用于理解最小均方误差估计量与线性逆问题中的正则化最小二乘拟合之间的关系。该研究将这种等价性扩展到无限维设置，其中广义样条充当回归量，核空间上的广义高斯过程充当高斯向量的对应物。该形式主义利用白化/正则化算子来定义希尔伯特空间，这对于表征这些关系至关重要，它包含了现有方法并揭示了新的联系，例如分数样条与分数布朗运动之间的联系。
-
研究发现，CART回归树可通过MID停止规则实现空间适应性
一篇新发表在arXiv上的论文详细介绍了停止规则在CART回归树中的统计作用。研究人员证明，在异质和各向异性平滑条件下，最小不纯度减少（MID）停止规则与适当的阈值相结合，可以实现空间适应性的minimax速率。然而，研究还发现，广泛使用的最小叶子大小停止规则无法实现这种空间适应性。
-
专家称贝叶斯方法在大语言模型时代仍至关重要
Christopher Krapu 和 Alex Andorra 讨论了在大型语言模型时代，贝叶斯方法经久不衰的相关性。他们的对话涉及图形处理单元 (GPU)、高斯过程和概率 AI 等主题。讨论强调，尽管大型语言模型取得了进展，但贝叶斯方法仍然具有价值。
-
新的卡尔曼滤波器变体增强了机器人学和神经科学中的状态估计
研究人员开发了两个用于改进复杂系统状态估计的新框架。其中，频率加权神经卡尔曼滤波器（FW-NKF）将频谱整形集成到卡尔曼滤波器中，以更好地处理频率依赖性噪声和模型不匹配，在机器人应用中定位误差减少高达10%。另一个是计算感知状态空间模型（CASSM），它提供了一种用于神经动力学建模的贝叶斯方法，在大状态空间中与深度网络相当，同时提供了改进的不确定性校准，特别适用于神经科学数据集。
-
卡尔曼滤波器详解：在数据中分离信号与噪声
卡尔曼滤波器是一种强大的工具，用于从嘈杂的数据中估计系统的状态。它在控制系统和贝叶斯方法中用于分离信号与噪声特别有用。本文探讨了它在信号处理中的实现和应用。