Bayesian Online Learning
PulseAugur coverage of Bayesian Online Learning — every cluster mentioning Bayesian Online Learning across labs, papers, and developer communities, ranked by signal.
-
新的Aura框架增强了深度模型的在线学习能力
研究人员开发了一个名为Aura的新元学习框架，旨在改善非平稳环境中的在线学习。Aura通过学习参数演化的低维潜在状态空间模型，解决了将贝叶斯滤波应用于深度模型的计算挑战。这个学习到的潜在空间允许通过扩展卡尔曼滤波进行高效的单步在线适应，然后进行参数重建。在神经无线电接收器和非平稳图像分类上的评估表明，与现有基线相比，Aura在适应速度、准确性和计算效率方面表现更优。
-
新的贝叶斯在线学习框架通过近似保留了快速遗憾
研究人员开发了一个新的贝叶斯在线学习框架，即使在使用近似后验计算的情况下，也能保留快速预测遗憾的保证。该研究表明，近似后验的准确性（以Wasserstein距离衡量）直接影响继承的遗憾界限。该框架应用于三个示例：使用投影Langevin算法的线性模型、具有先验保留截断的无限维指数族模型以及具有稀疏变分后验的高斯过程回归。
-
新的贝叶斯在线学习框架聚合专家以实现自适应预测
研究人员开发了一个新的贝叶斯在线学习框架，通过将更新规则视为专家来解决固定推断选择的挑战。这种聚合方法在事后与最佳专家竞争，成本由性能评估决定。该框架已应用于在线一致性推断，产生了一个具有随机覆盖的贝叶斯对应物，并应用于高斯过程回归，显示出对未知Hölder平滑度的适应性。
-
贝叶斯在线学习理论通过新的单程算法取得进展
研究人员开发了一种新的贝叶斯在线学习算法，适用于单程设置，解决了现有理论保证的局限性。该算法包含一个热启动阶段，以确保稳定的顺序更新并实现最佳收敛速度。一项关键贡献是建立了 Bernstein-von Mises 定理的在线类似物，无需区分小批量样本量即可进行有效的置信度量化。