标签
本文提出了一种自适应贝叶斯合作伙伴选择（ABPS），这是一种点对点联邦学习框架，利用贝叶斯方法自适应选择合作伙伴，以在异构医疗环境中减少通信成本同时保持准确性。
GUIDE是一个LLM驱动的架构，用于偏好诱导，它使用贝叶斯自适应采样和符号学习来推断人工智能对齐中的用户偏好，从而提高冷启动性能并减少推荐遗憾。
本文介绍了一个完整的贝叶斯框架，用于点云曲线重建，该框架使用马尔可夫链蒙特卡洛算法，能够处理噪声和缺失数据，同时提供不确定性量化。在合成和真实世界的激光雷达数据上的实验表明结果准确。
本文提出了GUPO，一种梯度不确定性感知策略优化方法，通过使用贝叶斯方法建模梯度不确定性来处理组间梯度冲突，从而改进大语言模型的后训练。
这篇文章推广了《机器学习之前 第三卷：人工智能的概率与统计》一书，该书通过 Antwerp Diamond Heist 的叙事来教授人工智能的统计概念，如贝叶斯推理和马尔可夫链，并附有实用的代码示例。
CalibratedRubric是一个任务自适应框架，用于为开放式LLM评估构建紧凑且可测量的评分标准库，通过贝叶斯可测量性过滤和基于IRT的选择，在金融、医疗、通用和法律基准上提升人类-金标准一致性和排序保真度。
本文提出BayesPO，一种使用梯度引导离散MCMC与并行回火的贝叶斯提示优化框架，在指令归纳任务上提升了准确率。
介绍了一种名为 Bayesian Manifold Curriculum (BMC) 的自适应课程学习方法，用于大语言模型，该方法利用模型的潜在几何结构在不同问题类型之间分配训练资源，相比传统基于难度的课程学习提高了效率。