Bayesian Posterior Confidence Narrowing
PulseAugur coverage of Bayesian Posterior Confidence Narrowing — every cluster mentioning Bayesian Posterior Confidence Narrowing across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 RE-PINN 方法增强了物理信息神经网络中的不确定性估计
研究人员开发了一种名为“用于物理信息神经网络的贝叶斯推断的排斥集成”（RE-PINN）的新方法，以改进物理信息神经网络（PINNs）中的不确定性量化。该方法向损失函数添加了一个排斥项，鼓励集成预测更好地表示真实的贝叶斯后验。与倾向于收敛到单一最大后验解的标准集成不同，RE-PINN 生成了更多样化和准确的不确定性估计，并被证明对低维问题有效。
-
新研究探讨先进的后验采样和固有的隐私保证
两篇新研究论文探讨了统计建模和隐私方面的先进技术。第一篇论文介绍了潜在退火后验采样（LAPS），这是一种通过将稀疏观测的随机场映射到低维潜在空间并使用流匹配进行先验学习来改进其后验推理的方法。第二篇论文提出了一个使用 Rényi 散度的统一框架，用于分析后验采样固有的差分隐私保证，该框架适用于各种贝叶斯模型。
-
新方法增强了神经网络的AI不确定性量化
研究人员开发了一种新颖的可扩展神经网络不确定性量化方法，这对于高风险的AI应用至关重要。他们的方法，称为广义拉普拉斯主动子空间，在特定的曲率子空间内构建局部高斯近似。该方法为校准不确定性量化提供了一条实用且可扩展的途径，提高了神经网络预测的可靠性。
-
新的风险量化方法增强了AI代理在不确定性下的安全性
研究人员开发了新的方法，使代理能够在不确定环境中量化和管理风险，尤其是在学习阶段。一种方法RATTL（Risk-Adversarial Total-Reward Learning）通过使用贝叶斯后验来定义一个Wasserstein模糊集，将谨慎与认知不确定性联系起来。这使得代理能够随着对环境理解的提高，动态地调整其行为，从鲁棒的最坏情况规划转向风险中性最大化。一种相关的方法Wasserstein熵值风险，提供了一种连贯的风险度量，它考…
-
新的AI安全框架优先考虑诚实而非说服
一篇新的研究论文提出了一个AI安全框架，通过训练预测器诚实而非说服。论文中详细介绍的科学家AI（SAI）预测器旨在通过“认识论上情境化”的自然语言陈述来近似贝叶斯后验。这种方法旨在区分事实声明和沟通行为，防止AI采纳目标或充当代理。研究人员认为，通过使协同欺骗付出高昂代价，这种方法可以同时确保安全性和准确性，即使预测器是更大代理系统的一部分。
-
新的AI推理方法解决了高维方差和后验坍塌问题
研究人员推出了一种新颖的基于粒子的变分推理方法——熵正则化最优输运下降法（Entropic Transport Descent, ETD），该方法利用熵正则化最优输运来改进对难解分布的近似。与先前可能在高维情况下遭受方差坍塌的方法不同，ETD的全局协调机制能够保留多模态结构，并在各种实验中与SVGD等现有技术相媲美或表现更优。同时，对变分深度高斯过程（Variational Deep Gaussian Processes, VDGPs…