bayesian-inference

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。

提出了一种用于训练输入凸神经网络（ICNN）的“提升”方法，该方法使用无约束的超网络生成非负的层间权重，从而软化损失景观并避免梯度衰减，相比投影梯度下降和softplus重参数化，实现了更低的测试损失。

本文分析了11个主流大型语言模型的置信度校准情况，发现它们普遍过于自信，尤其在困难任务上，而在简单任务上则信心不足。文章引入了LifeEval，这是一个用于评估不同难度级别下校准效果的测试。

SurvivalPFN 是一种先验数据拟合网络，通过上下文学习摊销生存分析的贝叶斯推断，在 61 个数据集上实现了强大的预测性能，无需特定任务训练或超参数调优。

本文介绍了DiMS，一种动态系统采样器，能保证从神经网络最小损失解的子流形中精确采样，从而在贝叶斯推断中实现更好的不确定性量化。

BaLoRA 引入了低秩适应（LoRA）的贝叶斯扩展，通过缩小与全量微调之间的差距，提供校准良好的不确定性估计并提高预测准确性。

DyStruct 是一种无需训练的贝叶斯解码框架，专为离散扩散语言模型设计。它通过动态确定扩展规模和解码顺序来实现灵活长度生成，从而提高了数学和代码任务的准确性。

本文提出了一种利用商用微波链路和扩散模型先验进行雨场重建的贝叶斯反问题框架，展示了其相对于现有基准方法的准确性提升。