标签
该论文提出了 PoSE，一种贝叶斯配电系统状态估计方法。该方法使用通过流匹配训练的神经网络，仅学习变电站注入功率的分布，而潮流方程和测量数据则在采样时通过考虑噪声的卡尔曼式校正引入。在 IEEE 33 节点和 Iowa 240 节点馈线上，与采用高斯先验的方法和监督式估计器相比，该方法取得了更优的连续排序概率评分（CRPS）和更好的不确定性校准效果。
该论文提出了多层粒子边缘Metropolis-Hastings（MLPMMH）方法，通过伪边缘推断与跨网络宽度截断层级的耦合SMC相结合，实现分层贝叶斯深度学习中参数与超参数的联合推断，并在理论上证明了O(ε²)的均方误差与O(ε⁻²)的计算复杂度，同时给出可扩展的近似版本S-MLPMMH用于MNIST实验。
论文介绍了一个统一的贝叶斯变分框架，结合 spike-and-slab 稀疏性和高斯混合量化，用于在大神经网络中实现高压缩率，同时最小化精度损失。
本文表明，蒙特卡洛丢弃法能够为胸部X光片分类器提供认知不确定性信号，当以二元错误风险标志的方式传达时，可改善临床决策支持代理的错误检测，并减少自信误诊。
本文开发了一个贝叶斯深度学习框架，用于估算2010年至2020年伦敦空气污染法规对PM2.5浓度的因果效应，发现平均减少量为1.88微克/立方米（12.35%）。
本立场论文认为，贝叶斯神经网络中基于采样的推理已在计算效率上与基于优化的方法持平，并即将取代后者，提供更优的不确定性量化和预测性能。
bde是一个Python包，通过MILE方法将基于采样的贝叶斯深度学习带给实践者，结合了JAX的速度和scikit-learn的API，用于表格监督学习任务。