Laplace
PulseAugur coverage of Laplace — every cluster mentioning Laplace across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
贝叶斯模型获得混合权重精确后验计算 · arXiv论文
一篇新论文详细介绍了一种在分层贝叶斯模型中计算混合权重后验分布的精确方法。所提出的动态规划方法（带有用于提高效率的FFT变体）无需采样即可提供闭式后验摘要和可信区间。与EM、高斯和拉普拉斯近似等现有技术相比，该方法在小样本模型和特定生物分析中表现出优越的校准性和速度。
-
用于截尾高斯回归的新型保形贝叶斯方法
研究人员开发了一种名为保形贝叶斯（Conformal Bayes）的新方法，用于双侧截尾高斯回归，专门解决数据在下界和上界都被截尾时的预测挑战。该方法结合了后验预测倾斜和加权保形校准，以创建可以包含边界原子和内部区间的预测集。与现有技术相比，该方法旨在恢复边际覆盖率并产生更小的预测集，尤其是在标签偏移条件下。
-
深度学习框架估计AR(p)过程的时变参数
研究人员开发了一个用于估计AR(p)过程时变参数的深度学习框架，能够捕捉复杂和非平稳的模式。该方法在适应高斯和拉普拉斯等不同噪声分布的同时，保持了透明的参数结构。该框架包括一个预测方案和不确定性量化，如预测区间，展示了其在预测复杂动态方面的灵活性。
-
深度学习估计AR(p)预测的时变参数
研究人员开发了一个新颖的预测框架，利用深度学习方法估计AR(p)过程中的时变参数。该方法能够捕捉复杂、非平稳的模式，同时保持清晰的参数结构。该框架旨在处理高斯分布和拉普拉斯分布的噪声，为各种预测场景提供稳健的不确定性量化和预测区间。
-
新研究探索具有p-指数尾部的贝叶斯后验分布适应
一篇新的研究论文探讨了如何在非参数设置中，通过使用具有p-指数尾部的先验来改进贝叶斯后验分布。研究表明，随着'p'的减小，收缩率得到提高，在特定的p到0的范围内实现了对平滑度的完全适应。应用包括白噪声回归中的序列先验和浅层ReLU神经网络，模拟显示了理论发现的有力实证支持。
-
新理论改进了神经网络的贝叶斯后验适应性
研究人员开发了一个新的理论框架，用于在非参数设置中适应贝叶斯后验分布。该研究侧重于具有p指数尾部的先验，证明了收缩率随着“p”的减小而提高，从而在特定状态下完全适应平滑度。这项工作对理解浅层ReLU神经网络具有启示作用，表明它们可以适应各种正则化水平。
-
新的 PINN 框架应对复杂的奇点和摄动
两篇新研究论文介绍了用于解决复杂数学问题的先进物理信息神经网络 (PINN) 框架。第一个，INI-VPINN，隐式处理 Neumann 边界和界面条件，在具有几何奇点的多材料域上实现了更高的精度和更快的收敛速度。第二个，Petrov-Galerkin VPINN，通过使用神经网络作为试探解和张量积帽函数作为测试函数，有效地解决了二维奇异摄动问题，在捕捉多尺度特征方面表现出高精度。
-
新研究详解速率最优划分分类方法
一篇新研究论文发布在arXiv上，探讨了速率最优划分分类技术。该研究在放宽的条件下引入了新的分类收敛速率，适用于可观测数据和私有化数据。作者们证明，通过关注连续输入的内在维度而不是全维度空间，即使不依赖于强密度假设，他们的方法也能达到极小极大最优收敛速率。
-
论文追溯概率作为理性镜像的演变
一篇新的arXiv论文探讨了概率论的历史发展，将其视为人类理性演变的反映。文章追溯了概率从早期博弈论到现代贝叶斯推理的历程，强调了其在量化不确定性方面的作用。论文还讨论了概率在处理模糊概念方面的局限性，并介绍了模糊逻辑和深度学习作为理性方法的补充，强调了在科学理解中明确阐述不确定性、模糊性和推理的必要性。
-
研究了指数概率测度的定量拉普拉斯型收敛结果
本文探讨了指数概率测度的定量拉普拉斯型收敛结果，重点关注类范数势。在广义雅可比行列式可逆条件下，利用Wasserstein距离建立了测度 $\pi_\varepsilon$ 和 $\pi_0$ 之间的界限。该研究利用了几何测度论工具，并将研究结果应用于最大熵模型以及非凸最小化在低温下随机梯度Langevin动力学的收敛性。