Laplace Approximation
PulseAugur coverage of Laplace Approximation — every cluster mentioning Laplace Approximation across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的贝叶斯解释方法提高了电能质量扰动分类器的可靠性
本文介绍了一种新颖的后验贝叶斯解释方法，用于深度学习分类器在电能质量扰动识别中的应用。该方法采用拉普拉斯近似来有效地推导出近似参数后验，从而能够生成扰动定位图的分布。这种方法提供了具有可靠性度量的解释，能够锐化特定事件的定位，并指示在噪声或域偏移下的解释分散性。
-
新的贝叶斯框架通过去除EOV改进结构健康监测
研究人员开发了一种新颖的贝叶斯框架用于结构健康监测（SHM），该框架可同时识别和去除环境与运行变异性（EOV）。该方法将潜在EOV建模为高斯过程，通过卡尔曼滤波器和拉普拉斯近似实现高效推理。该方法在实验室结构和模拟海上风电场上进行了验证，与现有技术相比，证明了改进的损伤检测和EOV恢复能力。
-
新方法 Adaptive KappaSharp 增强了偏好贝叶斯优化
研究人员开发了 Adaptive KappaSharp，一种提高偏好贝叶斯优化 (PBO) 效率的新方法。PBO 用于基于用户成对比较来优化目标。新技术解决了标准方法中由于孤立的比较组件可能导致 Hessian 矩阵秩亏损的问题。Adaptive KappaSharp 对 Hessian 应用了对角线校正，特别是在先验不确定性较高的区域，并且仅在代理模型对近期比较有信心时激活此校正。该方法在 11 个基准测试中表现出更高的性能，比标准…
-
新研究比较了广义线性模型的MCMC、LA和VI复杂度
一篇新的arXiv论文探讨了广义线性模型中马尔可夫链蒙特卡洛（MCMC）方法的计算复杂度，并将其与拉普拉斯近似（LA）和变分推断（VI）进行了比较。研究表明，对于线性、逻辑回归和泊松回归，当样本量 $n$ 大约与维度 $d$ 成正比时，MCMC的复杂度缩放与一阶优化算法相当。这一发现表明，在比伯恩斯坦-冯·米塞斯定理先前确定的更一般的缩放条件下，MCMC在计算成本方面与LA和高斯VI具有竞争力。
-
新方法改进深度神经网络中的不确定性量化
一篇新论文介绍了两种用于近似深度神经网络中Hessian矩阵的新方法：Gradient-Laplace和Greedy-Laplace。这些方法旨在通过解决全拉普拉斯近似的计算挑战来改进不确定性量化。研究表明，现有的子网络拉普拉斯近似倾向于低估预测方差，而所提出的方法为最优性提供了理论保证，并比现有的启发式方法性能有所提高。
-
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。