XiaoMi-AI文件搜索系统
World File Search System贝叶斯
回归问题贝叶斯推理指南
本指南为回归问题的贝叶斯推理提供了实用指导。为了从本指南中受益，读者应至少熟悉概率论、统计学和数学微积分，以了解“GUM” [9] 及其补充的原理，它们是计量学中关于测量不确定度评估的主要文件。但是，即使没有详细遵循本文件，所呈现的真实案例研究也说明了贝叶斯推理的潜力。提供的软件和算法可以作为处理类似问题的模板解决方案。尽管本指南中的回归问题类型源自所考虑的案例研究，并未涵盖所有可能的回归场景，但此处给出的指导应具有广泛的适用性。
实用的贝叶斯优化机器学习算法
机器学习算法的使用经常涉及对学习参数的仔细调整和模型超参数。不幸的是，这种调整是一种“黑色艺术”，需要专家经验，经验法规或有时是蛮力搜索。因此，自动方法可以很好地呼吁，可以优化任何给定的学习算法的性能。在这项工作中，我们通过贝叶斯选择的框架来考虑这个问题，其中学习算法的概括性能是从高斯过程（GP）中建模为样本的。我们表明，对于GP性质的某些选择，例如内核的类型及其超级参数的处理，可以在获得可以实现专家级别的良好优化器方面发挥至关重要的作用。我们描述了新的算法，这些算法考虑了学习算法实验的可变成本（持续时间），并且可以利用多个内核的主体进行并行实验。我们表明，这些提出的算法可以改善以前的自动过程，并且可以针对许多算法（包括潜在的Dirichlet分配，结构化SVM和卷积神经网络）达到或超越人类专家级别的优化。
贝叶斯推断划分数据的框架
使用大数据进行贝叶斯计算的常见分裂方法是分区数据，分别对每一部分进行局部推断，并结合结果以获得全局后近近似值。虽然在概念上和计算上具有吸引力，但该方法涉及有问题的需要，也需要将局部推断的先验分开；这些疲软的先验可能无法为每个单独的计算提供足够的正则化，从而消除了贝叶斯方法的关键优势之一。为了解决这一难题，同时仍保留了基本局部推理方法的普遍性，我们将期望传播（EP）的想法应用于分布式贝叶斯推论的框架。鉴于其他近似值和先验的状态，迭代的想法是迭代地更新局部可能性的近似值。
提高感觉的贝叶斯推理效率...
数十年来，许多饮食模式都被开发，以改善社会中人们的生活质量和健康。饮食模式构成了饮食中各种食物的数量和种类，以及食用食物的频率。一些主要的饮食变体是（i）高热量饮食（例如西方饮食）； （ii）混合均衡饮食（例如地中海饮食）； （iii）基于植物的饮食（例如素食）； （iv）低碳水化合物饮食（例如，生酮饮食）。这些饮食对生理健康有不同的影响，其中一些饮食具有共同的元素（Clemente-Suárez等人。2023; Guasch-Ferré和Willett 2021）。尽管如此，遵守特定的饮食模式，最终取决于地理，文化，道德和环境意识，自我形象和身体健康，健康维护以及心理健康（Hargreace等人（Hargreace等）2023; Tosti等。2018; Westman等。2003）。2003）。
脑电图神经活动的贝叶斯推断
摘要 脑机接口 (BCI) 是一种将大脑活动转化为操作技术命令的系统。脑电图 (EEG) BCI 的常见设计依赖于 P300 事件相关电位 (ERP) 的分类，这是一种由常见非目标刺激中罕见的目标刺激引起的反应。现有的 ERP 分类器很少直接探索神经活动的潜在机制。为此，我们对 P300 ERP-BCI 设计下的多通道真实 EEG 信号的概率分布进行了新颖的贝叶斯分析。我们的目标是识别神经活动的相关时空差异，这为 P300ERP 反应提供了统计证据，并有助于设计高效、准确的个性化 BCI。作为我们对单个参与者分析的一项重要发现，视觉皮层周围通道的目标 ERP 在刺激后约 200 毫秒达到负峰值的后验概率为 90%。我们的分析确定了 BCI 拼写器的五个重要通道（PO7、PO8、Oz、P4、Cz），从而实现了 100% 的预测准确率。从对其他九名参与者的分析中，我们一致地选择了确定的五个通道，并且选择频率对带通滤波器和内核超参数的微小变化具有稳健性。本文的补充材料可在线获取。
美国经济的大型贝叶斯 VAR
Crump, Sbordone：纽约联邦储备银行（电子邮件：richard.crump@ny.frb.org、argia.sbordone@ny.frb.org）。Eusepi：德克萨斯大学奥斯汀分校（电子邮件：stefano.eusepi@austin.utexas.edu）。Giannone：亚马逊（电子邮件：dgiannon2@gmail.com）。Qian：普林斯顿大学（电子邮件：ericqian@princeton.edu）Giannone 对本文的贡献是在作者加入亚马逊之前完成的。本出版物及其内容与亚马逊无关，不反映该公司及其子公司的立场。本文介绍了初步调查结果，并分发给经济学家和其他感兴趣的读者，仅用于激发讨论和征求意见。本文表达的观点为作者的观点，不一定反映纽约联邦储备银行或联邦储备系统的立场。任何错误或遗漏均由作者负责。
神经网络的完整贝叶斯显着性测试
显着性测试旨在确定对人口分布的提议是事实还是没有观察到。但是，传统的意义测试通常需要得出测试统计的分布，但未能处理复杂的非线性关系。在本文中，我们建议对称为N FBST的神经网络进行完整的贝叶斯象征测试，以超越传统方法的关系表征的限制。贝叶斯神经网络被用来适合非线性和多维关系的较小错误，并通过提出证据价值来避免严格的理论推导。此外，N FBST不仅可以测试全局意义，还可以测试本地和实例的意义，以前的测试方法不关注。更重要的是，n fbst是一个可以根据所选度量进行扩展的一般框架，例如gradn fbst，lrp- n fbst，deeplift- n fbst，lime-n fbst。进行了模拟和真实数据的一系列实验，以显示我们方法的优势。
使提示适应性：视觉的贝叶斯建模 - ...
最近预估计的视觉语言（VLP）模型已成为许多下游任务的骨干，但它们被用作冷冻模型而无需学习。提示学习是一种通过在文本编码器的输入中添加可学习的上下文向量来改善预训练的VLP模型的方法。在下游任务的几次学习方案中，MLE训练可以导致上下文向量在训练数据中拟合占主导地位的图像特征。这种过度适应的可能会损害概括能力，尤其是在训练和测试数据集之间的分布变化的情况下。本文介绍了基于贝叶斯的迅速学习的框架，这可以减轻几乎没有射击的学习应用程序中的过度问题，并提高提示在看不见的情况下的适应性。具体来说，建模与数据相关的先验增强了文本特征的适应性，可用于可见的和看不见的图像特征，并在其之间取决于它们之间的折衷。基于贝叶斯框架，我们在估计目标后分布中利用了Wasserstein等级流，这使我们的提示可以灵活地捕获图像特征的复杂模式。我们通过与现有方法相比显示出统计学上显着的性能改善，证明了在基准数据集上的方法的有效性。该代码可在https://github.com/youngjae-cho/app上找到。
多点贝叶斯主动学习可靠性分析
本手稿提出了一种新型的贝叶斯主动学习可靠性方法，该方法同时整合了贝叶斯故障概率估计和贝叶斯决策理论多点富集过程。首先，提出了一种称为综合边缘概率（IMP）的认知不确定性度量，以作为Kriging估计的失败概率的平均绝对偏差的上限。然后，遵守贝叶斯决策理论，定义了一种称为多点逐步减少（MSMR）的外观学习函数，以量化通过在预期中添加一批新样本来量化IMP的可能减少。基于MSMR的多点富集过程的成本效率实现由三个关键的解决方法进行：（a）由于内部积分的分析性障碍性，MSMR将其减少到单个积分。（b）MSMR中的其余单个积分是通过数值截断的数值计算的。（c）最大化MSMR的启发式治疗方法是根据迭代迅速选择最佳下一个点的一批最佳点，其中使用规定或自适应方案来指定批量大小。在两个基准示例和两个动态可靠性问题上测试了所提出的方法。结果表明，MSMR中的自适应方案在计算资源消耗和整体计算时间之间取得了良好的平衡。然后，根据故障概率估计的准确性，迭代次数以及性能函数评估的数量，尤其是在复杂的动态可靠性问题中，MSMR的表现相当优于现有的倾斜功能和并行化策略。
贝叶斯逆不确定性量化驼鹿...
添加剂制造（AM）技术由于能够快速生产，原型和自定义设计而越来越多地在各种应用领域中采用。AM技术在核材料方面有明显的机会，包括加速制造过程和成本降低。在爱达荷州国家实验室（INL）的多个物理学面向对象的模拟环境（MOOSE）中，正在开发AM过程的高层建模和模拟（M＆S），以支持AM过程优化并提供对所涉及的各种物理相互作用的基本了解。在本文中，我们采用贝叶斯逆不确定性定量（UQ）来量化AM基于驼鹿的熔体模型中的输入不确定性。逆UQ是成型量化输入不确定性的过程，同时保持模型预测与测量数据一致。逆UQ过程考虑了模型，代码和数据的不可能，而同时表征输入参数中不确定的分布，而不是仅提供最佳位点估计值。我们使用熔体池几何形状（长度和深度）的测量数据来量化多个熔体池模型参数中的不确定性。模拟结果与实验数据的一致性提高了。可以使用所得参数不确定性来代替未来的不确定性，敏感性和验证研究中的专家意见。