Stochastic Variational Inference for Bayesian Phylogenetics: A Case of CAT Model
PulseAugur coverage of Stochastic Variational Inference for Bayesian Phylogenetics: A Case of CAT Model — every cluster mentioning Stochastic Variational Inference for Bayesian Phylogenetics: A Case of CAT Model across labs, papers, and developer communities, ranked by signal.
-
新方法通过单次前向传播加速贝叶斯神经网络
研究人员开发了一种新方法,通过使用单次概率前向传播(PFP)和代码生成来加速贝叶斯神经网络(BNNs)。这种方法显著降低了传统BNNs的计算成本,而传统BNNs通常需要多次前向传播来进行不确定性估计。PFP方法假设权重和激活服从高斯分布,允许进行解析不确定性传播,并实现了显著的加速,对于小批量数据可达4200倍,同时保持了准确性并改善了域外检测能力。这项技术对于在资源受限的系统(如嵌入式ARM CPU)上部署BNNs尤其有前景。
-
新的贝叶斯学习器 PYPM-GGD 可处理非共轭后验
研究人员开发了一种名为 PYPM-GGD 的新型大规模贝叶斯非参数学习器,旨在比传统的随机变分推断 (SVI) 更有效地处理非共轭后验。这种新颖的方法利用受 SVI 和 Adam 启发的自适应步长来提高学习收敛性和性能。该方法已证明与 ResNet 特征兼容,可用于 MIT67 和 SUN397 等大型数据集,并且在与最先进的深度聚类算法相比时,表现出具有竞争力或更优的结果。
-
新的贝叶斯优化方法RAMBO解决了多模式搜索空间问题
研究人员开发了一种新的贝叶斯优化(BO)方法,称为RAMBO,旨在比标准BO更有效地处理多模式搜索空间。RAMBO利用高斯过程的Dirichlet过程混合模型自动识别数据中的不同模式,每种模式由独立的高斯过程建模。这种方法在分子构象优化、药物发现和聚变反应堆设计等应用中显示出改进。