XiaoMi-AI文件搜索系统
World File Search System先验
最佳无歧义鉴别中非零先验概率决定的无纠缠量子非局域性
无纠缠非局域性 (NLWE) 是多部分可分离状态的量子态鉴别中发生的一种非局域现象。在正交可分离状态的鉴别中，当无法通过局部操作和经典通信完美区分量子态时，使用术语 NLWE。在这种情况下，NLWE 的发生与正在制备的量子态的非零先验概率无关。最近发现，在非正交可分离状态的最小误差鉴别中，NLWE 的发生可能取决于非零先验概率。在这里，我们表明，即使在最佳无歧义鉴别中，NLWE 的发生也可能取决于非零先验概率。我们进一步表明，即使只有一个状态可以无误差地进行局部鉴别，NLWE 也可以与非零先验概率无关地发生。我们的结果为根据量子态鉴别对多部分量子态集进行分类提供了新的见解。
用于快速全脑 fMRI 分析的空间 3D 材料先验
摘要。已证明，使用三维空间平滑先验的贝叶斯全脑功能磁共振成像 (fMRI) 分析无需预先平滑数据即可生成最先进的活动图。然而，所提出的推理算法对计算要求很高，并且所使用的空间先验具有一些不太吸引人的性质，例如不合适和具有无限的空间范围。我们提出了一种基于 Mat'ern 协方差函数类的全脑 fMRI 分析统计推理框架。该框架通过 Lindgren 等人 (2011) 的随机偏微分方程 (SPDE) 方法使用可能各向异性空间 Mat'ern 场的高斯马尔可夫随机场 (GMRF) 表示。这允许更灵活和可解释的空间先验，同时保持在高维全脑设置中快速推理所需的稀疏性。我们开发了一种加速随机梯度下降 (SGD) 优化算法，用于空间超参数的经验贝叶斯 (EB) 推断。根据推断出的超参数，我们对大脑活动进行完全贝叶斯处理。Mat'ern 先验应用于模拟和实验任务 fMRI 数据，并通过比较活动图、先验模拟和交叉验证清楚地表明，它是比以前使用的先验更合理的选择。
意识的先验基础
考虑以下场景：你是一位身无分文的哲学家，遇到了一位奇怪的超人类主义脑科学家。他愿意为你提供一大笔金钱奖励，让你参与他的实验，该实验使用了一种新型的脑部扫描仪。同意参与后，你签署了一份声明，允许他拥有从扫描中获得的所有信息。他让你进入一个特殊的房间，而他则在另一个房间等候。你注意到你所在的房间只有一扇红门和一扇蓝门。然后你接到了超人类主义者的视频电话。他向你解释说扫描已成功完成，他刚刚使用了有关你脑细胞的所有详细信息来创建一个相当精确的大脑模拟，该模拟目前正在一台强大的超级计算机上实时运行。这个模拟器是一个复杂的软件，可以模拟你脑细胞的精确虚拟 3-D 模型的膜电位。不仅是你的大脑，事实上你的整个身体和房间都在用它模拟。由于你不相信他，他重新连接了视频通话，这样你就可以和模拟的自己交谈了。然后，你与这个模拟的自己交谈了很长时间，直到你确定这个模拟确实在功能上与你相同，并且拥有与你相同的记忆。模拟的自己相信自己是真实的，并相信你是模拟的。你们不同意，并就这个问题进行了长时间的争论。最后，你们俩都不得不承认，目前你们俩都不确定谁是原版，谁是复制品。在你了解到这一点后，超人类主义者重新加入视频通话，并解释说，承诺的金钱奖励可以通过离开红门获得；但如果你从蓝门离开，你就会身无分文。当你开始走向红门时，他继续解释说，模拟的设置是这样的，当你从蓝门离开时，模拟的你将被无痛地、甚至没有注意到地终结。然而，如果它从红门离开，它将遭遇痛苦的死亡。由于你并不真正知道你是否被模拟了，你从那扇红门退了回来。
学习基于潜在空间能量的先验模型
我们建议在生成器模型的潜在空间中学习基于能量的模型 (EBM)，以便 EBM 充当基于生成器模型自上而下网络的先验模型。潜在空间 EBM 和自上而下网络都可以通过最大似然法联合学习，这涉及从潜在向量的先验和后验分布中进行短期 MCMC 采样。由于潜在空间的低维数和自上而下网络的表现力，潜在空间中的简单 EBM 可以有效地捕获数据中的规律，而潜在空间中的 MCMC 采样效率高且混合良好。我们表明，学习到的模型在图像和文本生成以及异常检测方面表现出色。一页代码可以在补充材料中找到。
改善使用专家先验的机器学习的贝叶斯优化
这篇论文以及我超越了它的所有工作，都是我收到的令人难以置信的指导和支持的产物，以及我整个学术界都建立了持久的友谊。我不能充分强调生活中人们启发我的多种方式。对这些人，我表达了我最深切的感激之情。首先，我绝对必须承认我的主管理查德·泽梅尔（Richard Zemel）。Rich无论多么愚蠢，Rich都会毫不犹豫地接受一个新的想法。他会很高兴地跳入一个新的未知领域的深处，成为一名专家，并通过出色的建议帮助我。除此之外，Rich是一个令人难以置信的榜样。他以极大的谦卑来承担自己的态度，并尊重周围的每个人。我很幸运有机会与他合作，我希望在我的职业生涯中，我甚至可以像他一样成为一位好导师。我要感谢我的监督委员会，Geo Que Rey Hinton和Brendan Frey在我的学位上提供了出色的反馈和支持。我有幸与布伦丹（Brendan）合作进行了多个项目，并且总是因他不断的热情和敏锐的想法而充满活力。我很幸运能够与Geo Q.合作。他的直觉和对任何问题的核心见解的能力令人震惊，但更重要的是他的慷慨和他对待周围的人的方式。我也很幸运能够与许多优秀的教授一起工作，包括Sanja Fidler，Toniann Pitassi，Ruslan Salakhutdinov和Raquel Urtasun。我还要感谢我的外部审查员Max Welling对本文的周到和有见地的评论。我很幸运能在学位期间拥有其他几位出色的导师。早些时候，我与丹尼·塔洛（Danny Tarlow）合作，他帮助我建立了研究势头，并在工作中达到了新的成熟水平。后来，我与Jasper Snoek合作，Jasper Snoek的工作道德，新颖的见解和自制啤酒导致了构成本论文基础的论文。在所有这些过程中，我很荣幸能够与瑞安·亚当斯（Ryan Adams）合作，瑞安·亚当斯（Ryan Adams）负责我在贝叶斯优化方面的大部分工作。瑞安继续以他的广度和知识以及他的仁慈和敏感性使我感到惊讶。我要感谢我的前顾问Nando de Freitas，他将我带入了机器学习的世界，并在硕士学位期间为我提供了建议，在我毕业后将我带回了机器学习的世界，并一直是今天的好朋友。也许我在学术界期间最大的方面是我与之合作，与之交往和处理的一群朋友。这些人毫无意义，聪明，真诚，并驱使我将标准设置为尽可能高的标准。