标签
一篇议论文，认为典型的基于 LLM 的智能体流水线（LLM → 工具 → 动作）缺乏适当的不确定性处理，并提出一种带有贝叶斯更新和信息价值策略的信念状态架构。LLM 应充当调查员/翻译者，而系统负责执行权限和校准信念。
本文提出了一种用于条件因果发现的贝叶斯方法，其中因果图和参数的后验以用户指定的因果效应约束（例如，较大的因果效应）为条件。他们采用稀有事件估计技术来处理后验质量较小的事件，并在合成数据和Sachs蛋白质数据集上验证了该方法。
本文提出了一种混合嵌套搜索框架，在LLM驱动的进化优化中，将结构草图（由LLM生成）与数值参数优化（由CMA-ES等传统求解器完成）解耦，并在元优化、基于代码的策略和贝叶斯推断任务中进行了验证。
本文研究了表格基础模型（TFMs）如 TabPFN、TabICL、TabDPT 和 TabFM 是否能够产生与任何联合分布一致的预测。结果表明，所有被评估的 TFM 在分类和回归任务中均违反了边际化一致性和分解一致性，从而对其贝叶斯推断的主张提出了质疑。
本文介绍了贝叶斯数据重加权，一种概率框架，自适应地对查询-文档对进行加权，以减轻对比训练中的假阴性问题，从而在多个基于知识的VQA基准上提升多模态检索性能。
This paper connects counterfactual explanations to generalized Bayes inference, showing that distance-minimization CEs are MAP estimates of a Gibbs posterior, and introduces new decision rules and evaluation metrics.
本文通过引入CE-CM（一种用于推断任务无关伙伴能力的近似贝叶斯方法）以及考虑人类行为多样性的CE-CM-Div，将临时团队协作扩展到多任务场景。实验表明，该方法在能力估计和对人类伙伴的适应方面均有改进。
提出了 Verbalized Particle Posterior (VPP)，将言语化学习视为贝叶斯推断，通过维护一组自然语言假设作为粒子，使用 Metropolis-Hastings 或 Sequential Monte Carlo 更新，并在基准测试上优于单假设 VML。
本文提出QANTIS方法，利用IBM Heron量子硬件对部分可观测马尔可夫决策过程（POMDP）执行校准信念更新，重点在于跨序列决策步骤复用量子信念更新原语而不破坏后验。作者通过Tiger POMDP上的受控案例研究验证了该方法，表明硬件后验与精确贝叶斯推断选出的动作相同。
本文提出了一种用于分位数回归的稀疏高斯过程框架，该框架采用拉普拉斯近似进行后验推断，并利用基于方差的机制实现自适应诱导输入放置和数据获取。
该论文提出贝叶斯上下文实验者（Bayesian in-context experimenters），通过训练Transformer模仿贝叶斯后验Neyman教师策略，实现自适应平均处理效应（ATE）估计，并采用混合专家Transformer处理未知平滑性，理论证明可通过监督预训练学习该策略。
本文提出了一种通过利用因子图约简技术来缩小实现概率推理的化学反应网络（CRN）规模的方法，从而在保留存活变量上信念传播不动点的同时，获得更小的CRN。
一条教育性长帖，解释量化交易公司（如Renaissance Technologies）所用的数学基础，涵盖从伯努利到布朗运动的概念。
本文提出了PC-MCMC-CIGP，这是一种灰盒工作流，结合了spike-and-slab拓扑采样、物理约束和化学信息高斯过程用于反应网络发现。该方法在苯乙烯环氧化反应中提高了产率，并在氢-溴基准测试中区分了基本反应路径与欺骗性拟合。
本文比较了在竞争性认知诊断模型下估计学习的联合方法与逐步方法，使用了来自阅读游戏的数据。结果表明，方法的选择会改变关于学习者进展的结论，并且在项目-技能结构不确定时，联合分析更为可靠。
Bayesian-Agent 提出了一种框架，将可重复使用的技能和SOP视为假设，通过贝叶斯推理指导代理行为，并利用后验引导的框架优化提升任务性能。使用deepseek-v4-flash在多个基准上取得了显著改进。
本文提出了一种扩展的结构化空间先验族，结合总变分（TV）与ℓ_p范数，用于贝叶斯T1映射，实现不确定性量化。该方法在合成和真实MRI数据集上进行了评估，显示出改善的空间一致性和降低的不确定性。
本文针对SGLD-Gibbs发展了标度极限理论，为大规模潜变量模型中实现有意义的不确定性量化提供原则性的超参数调优指导。
本文提出了针对带动量和不带动量的随机梯度Langevin动力学（SGLD）的新离散时间近似方法，能够准确预测平稳协方差、迭代平均协方差和积分自相关时间。该方法为大样本不确定性量化提供了改进的调参指导，尤其在模型错误指定情况下。
提出了摊销因子推理网络（AFINs），这是一类编码-合并-解码推理网络，能够泛化到不同的先验、似然和维度，在计算量少得多的条件下实现与NUTS相当的后验精度。