Laplace Approximation
PulseAugur coverage of Laplace Approximation — every cluster mentioning Laplace Approximation across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的稀疏高斯过程框架解决了分位数回归的挑战
研究人员开发了一种新颖的稀疏高斯过程框架，以解决贝叶斯分位数回归中的计算挑战。这种新方法利用了较少的诱导变量集和用于后验推断的拉普拉斯近似。该框架通过预测不确定性的分解，结合了诱导输入填充和数据采集的自适应机制，以有效分配计算资源和管理模型复杂性。
-
新方法推进机器学习中的不确定性量化 · 跟踪5个来源
研究人员介绍了评估机器学习模型中不确定性量化（UQ）的新方法。一种称为“决策对齐”的方法旨在确保UQ指标与下游决策效用有意义地相关，从而揭示了当前通用指标的缺陷。另一项进展侧重于多模态回归任务的高效UQ，将变分贝叶斯推理扩展到分位数回归和分类恢复等模型。此外，还提出了一种名为Ribbon的可扩展近似方法，该方法通过近似贝叶斯自举方法而不要求重复模型重新拟合，从而提供鲁棒的不确定性量化。
-
深度学习框架加速卫星数据中的CO2检索
研究人员开发了一个新颖的深度学习框架，以更有效、更准确地从NASA的OCO-2（轨道碳观测卫星2号）卫星检索大气二氧化碳（CO2）数据。该新方法利用拉普拉斯近似和归一化流，实现了比当前运行算法快几个数量级的推理速度，同时还提供了更可靠的不确定性量化。该框架在考虑了真实前向模型误差的高保真模拟上进行训练，使其能够处理标准反演技术常常忽略的系统误差，并模拟非高斯后验分布。
-
新的SSLA方法改进了贝叶斯模型不确定性量化
研究人员开发了一种名为自监督拉普拉斯近似（SSLA）的新方法，用于直接近似贝叶斯模型中的后验预测分布。该方法借鉴了自训练技术的灵感，通过在模型自身预测上重新拟合模型来量化预测不确定性。SSLA方法提供了一种确定性的、无采样的近似方法，在回归任务（包括贝叶斯神经网络）的预测校准方面优于经典的拉普拉斯近似，同时保持了计算效率。
-
新方法改进神经网络不确定性的拉普拉斯近似
研究人员开发了用于近似深度神经网络中拉普拉斯近似的新方法，解决了大型Hessian矩阵求逆的计算挑战。提出的Gradient-Laplace和Greedy-Laplace方法为选择子网络近似的参数提供了原则性的方法，旨在减少现有启发式方法固有的预测方差低估问题。理论分析和数值研究表明，这些新方法提供了更强的最优性保证，并且优于当前基准。
-
贝叶斯张量网络核方法使用拉普拉斯近似进行不确定性估计
研究人员开发了一种新的贝叶斯张量网络核方法（LA-TNKM），该方法利用线性化拉普拉斯近似进行推理。该方法解决了张量网络核方法中提供不确定性估计的挑战，而张量网络核方法通常会打破高斯性假设。实验表明，LA-TNKM 在各种回归任务上的表现与高斯过程和贝叶斯神经网络相当或更好。