标签
提出了一种基于条件归一化流的摊销变分推断方法，构建加权似然的局部后验来处理模型校准中的模型偏差与上下文不确定性，并在Branin-Hoo孪生实验及单柱海洋模型的k-ε湍流闭合校准中验证了其相较于全局后验的误差降低效果。
LEGO-SCD 是一种在线场景变化检测方法，它通过对参考 3D Gaussian Splatting 场景进行自动编辑来学习场景特定的统计模型，无需人工标注，即可实现闭式贝叶斯证据累积，并结合物体引导的掩码细化；该方法在 PASLCD 上达到 67.64% 的 mIoU，在 CCS3D 上达到 75.82%，运行速度为 17.2 FPS。
该论文提出层级分数后验恢复方法(HSPR)，通过结合历史响应模式与自适应任务选择，仅用小子集即可高效估计软件代理在完整基准测试上的分数，在SWE-bench系列任务库上取得最低的平均与最大绝对误差。
该论文提出一个两参数贝叶斯线索组合模型，解释视觉-语言模型在文本与图像证据冲突时如何整合信息，并能准确预测模型在未见过的输入退化组合下的偏好，统一了此前关于文本主导和视觉主导的矛盾报告。
本文提出了一类基于离散扩散框架训练的系统发育树条件生成模型，使得在复杂进化模型下进行基于模拟的推断成为可能。该方法比 Phyloformer 等先前方法更准确地恢复 MCMC 后验分布，并且在真实数据上的表现优于传统方法 IQ-Tree。
该论文提出将序贯贝叶斯实验设计（BED）通过信息增益奖励训练摊销进 LLM 的推理过程中，使 LLM 学会自适应信息收集，并在 Twenty Questions 与临床对话基准 Medi-Q 上超越基线且泛化良好。
本文提出了稳健、自适应的朗之万蒙特卡洛方法（R-LMC、A-LMC、RA-LMC），能够处理广义光滑性和状态依赖的重尾噪声，在无需耗散性假设的情况下建立了费舍尔信息收敛保证，并展示了对大语言模型和视觉语言模型进行贝叶斯微调的有效性。
本文提出 OSIS（单步隐式采样器），利用短时间 MCMC 动力学为隐式建模分布定义局部目标，实现单步摊销采样。作者分析了收敛性质，并表明该方法在采样效率上优于多步摊销采样器和非摊销 MCMC 基线。
本文提出"空间感应头"（spatial induction heads），一种两层 gather-and-match 电路，解释 Transformer 如何在多维细胞自动机的序列化数据中进行上下文学习。研究表明，该电路可逼近贝叶斯后验并在确定性规则上实现精确预测，训练后的两层 Transformer 能泛化到未见过的规则。
本文提出了贝叶斯镜像架构（Bayesian Mirror Architecture, BMA），这是一种自指涉的生成框架，其中循环自我递归与混合事件–自我绑定使意识成为一种架构性属性而非客观对象，其信念动力学通过概率测度上的最优传输几何进行分析。文中定义了因果学习机制（Causal Learning Regime）作为可学习结构的诊断标准，并引入了自流形、Wasserstein ε-颈缩以及被解读为内部自决选择的吸引盆选择等概念。
本文指出，大语言贝叶斯（LLB）——即利用指数化证据下界得到的权重，对语言模型生成的概率程序的后验进行加权平均的框架——并不具备重参数化不变性。等价的程序写法可能获得显著不同的权重（差异最高可达 31.9 倍，甚至可导致符号反转），进而颠倒贝叶斯因子，并在模型后验中引入误差；该误差由下界缺口的离散程度所控制，可通过一个紧致的 Hilbert 距离界加以刻画。
本文在强制选择信号博弈中引入了一个具有信息的对手，并表明随着说服预算的增大，最优信号会从后验最大化转变为边际最大化；此外，鲁棒最优解在全部 108 个验证项目上都与显著性一致——这构成了对"对手感知"类评估所能学到之内容的一个结构性限制。
BaRe-Mem 引入了一个用于多智能体咨询的贝叶斯在线可靠性记忆，增强了对误导性顾问信息的鲁棒性，并指导在咨询和自主推理之间的选择。
FB-GDM 引入了一种用于高维线性逆问题的全贝叶斯引导扩散方法，消除了针对每个任务的超参数调优，并展示了相对于现有技术的稳健性能提升。
本文介绍了Odds-Ratio Thompson Sampling（OR-TS），这是一种批量多臂老虎机方法，通过基于对比的更新处理波动的基准水平，在模拟和真实实验中均显示出相比绝对速率记忆法更低的遗憾值。
本文介绍了压缩活跃子空间（CAS），一种通过压缩参数空间来实现大型神经网络中可扩展贝叶斯推断的方法，同时保持预测性能。
本文引入自由推理维度，这是一个在元强化学习假设混合下，用于零碰撞导航的组合复杂性度量，并证明了其与VC维度及泛化界的关系。
本文提出了一种用于图神经网络的变分贝叶斯最后层方法，以在分布偏移下进行在线节点分类，与基线相比，在准确性和不确定性校准方面表现优异。
本文提出了一种基于生物学的框架，其中噪声神经和突触动力学通过随机采样实现概率推断和学习，利用模拟存内计算硬件进行可扩展且能效高的计算。