XiaoMi-AI文件搜索系统
World File Search SystemBayesian
随机对照试验的贝叶斯网络分析
2018 年，美国估计有 42,220 例肝细胞癌和肝内胆管癌新发病例和 30,200 例死亡病例 [1]。这些死亡病例大多数是由于肝细胞癌 (HCC)，这是最常见的原发性肝癌 [2]。在全球范围内，肝癌是癌症死亡的第四大原因 [3]。HCC 最常与慢性乙型肝炎病毒或丙型肝炎病毒感染有关，尤其是并发肝硬化，这限制了手术切除的可行性 [4]。对于适合手术的患者，肝移植和手术切除仍然是早期 HCC 最有效的治疗方法。不幸的是，绝大多数患者在被诊断为 HCC 时已处于晚期，肿瘤无法切除。以往，晚期HCC预后不佳，治疗仅限于经动脉化疗栓塞、射频消融、放射治疗和全身药物治疗[5]。欧洲SHARP试验首次证明，多靶点小分子酪氨酸激酶抑制剂（TKI）索拉非尼可延长不可切除的HCC患者的中位生存期，优于安慰剂[6]。随后，更多靶向药物相继问世，并在II期或III期临床试验中证明其有效且安全[7]。尽管已有研究将这些药物的有效性和安全性与索拉非尼或安慰剂进行了比较，但尚未进行过头对头比较[8]。为了进一步评估靶向药物治疗HCC患者的疗效和安全性证据，我们进行了贝叶斯网络荟萃分析（NMA）以比较不同HCC靶向药物的生存期、客观缓解率（ORR）和不良事件（AE）。
全球变暖加速度：Hope vs Hopium常见顺序学习的贝叶斯设计原理
我们开发了一种一般理论，以优化顺序学习概率的频繁遗憾，其中有效的强盗和强化学习算法可以从统一的贝叶斯原理中得出。我们提出了一种新颖的优化方法，以在每一轮中产生“算法信念”，并使用贝叶斯后代做出决定。创建“算法信念”的优化目标，我们称其为“算法信息比”，代表了一种有效地表征任何算法的频繁遗憾的Intrinsic复杂性度量。据我们所知，这是以通用且最佳的方式使贝叶斯型算法保持不含和适用于对抗设置的第一种系统性方法。此外，算法很简单且通常可以实现。作为一种主要应用，我们为多臂匪徒提供了一种新颖的算法，该算法在随机，对抗性和非平稳环境中实现了“最佳世界”的表现。我们说明了这些原理如何在线性匪徒，强盗凸优化和增强学习中使用。
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。
基于FPGA的贝叶斯卷积神经网络的加速度
摘要 - 神经网络（NNS）已经证明了它们在从计算机视觉到自然语言处理的各个领域中的潜力。在各种NN中，二维（2D）和三维（3D）卷积神经网络（CNN）在广泛的应用中已被广泛采用，例如图像分类和视频识别，因为它们在提取2D和3D特征方面具有出色的功能。但是，标准的2D和3D CNN无法捕获其模型不确定性，这对于包括医疗保健和自动驾驶在内的许多关键安全应用至关重要。相比之下，作为CNN的一种变体，贝叶斯卷积神经网络（贝叶斯）（贝叶斯）已经证明了它们通过数学基础在预测中表达不确定性的能力。尽管如此，由于采样和随后的前向通过多次通过了整个网络，因此贝内斯科的计算要求并未在工业实践中广泛使用。结果，与标准CNN相比，这些过程显着增加了计算和内存消耗量。本文提出了一种新型的基于FPGA的硬件体系结构，以加速通过Monte Carlo辍学推断的2D和3D贝内斯科。与其他最先进的加速器相比，贝内斯科的设计可以达到高达高达能量效率的4倍，而计算效率的9倍。考虑部分贝叶斯推断，提出了一个自动框架，以探索硬件和算法性能之间的权衡。进行了大量实验，以证明我们提出的框架可以有效地发现设计空间中的最佳点。
一种简化疫苗功效的贝叶斯分析方法
疫苗针对传染病的关键参数是保护性疫苗的效应，通常表示为VE。此参数旨在表示由于疾病的机会的疫苗而导致的减少，通常使用受控的双盲临床试验估算[1]。VE S的简单点估计值可能是通过人类时间暴露对疫苗组的发病率与安慰剂组发病率产生的。已知这种估计是由可更正偏差影响的[2]。从统计的角度来看，间隔估计值比点估计值更有价值，因为它们产生了有关估计值的不确定性的信息。已提出了用于估计置信区域的常见方法[例如3，4]，并比较其覆盖范围的相对保守性和准确性[5，6]。
基于模型的贝叶斯探索终身强化学习
我们提出了一种基于模型的终身强化学习方法，该方法估计分层贝叶斯后验，提炼出不同任务之间共享的共同结构。学习到的后验与基于样本的贝叶斯探索程序相结合，提高了跨一系列相关任务学习的样本效率。我们首先分析了有限 MDP 设置中样本复杂度和后验初始化质量之间的关系。接下来，我们通过引入变分贝叶斯终身强化学习算法将该方法扩展到连续状态域，该算法可以与最近的基于模型的深度 RL 方法相结合，并表现出后向迁移。在几个具有挑战性的领域的实验结果表明，我们的算法比最先进的终身 RL 方法实现了更好的前向和后向迁移性能。1
PEPBVS：使用Power- ...
描述在正常线性模型下对数据进行贝叶斯变量选择，其模型参数随后作为先验分布作为Power Exped-Exped-Posteror（PEP）或固有的（前者的特殊情况）（Fouskakis和Ntzoufras（2022）（2022） doi：10.3390/iconalitrics8020017>）。模型空间上的先前分布是所有模型上的均匀分布或模型维度的均匀分布（beta-binomial先验的特殊情况）。选择是通过对所有可能的模型进行全面枚举和评估或使用Markov Chain Monte Carlo模型组成（MC3）算法（Madi-Gan and York（1995））进行选择。的互补功能，用于贝叶斯模型平均以及绘图和打印结果下的假设检验，估计和预测。可以将结果与其他众所周知的先验者在模型参数和模型空间上获得的结果进行比较。