标签
一篇关于结合机器学习的模拟驱动推理（SBI）的教程综述，涵盖贝叶斯和频率学派框架、神经后验估计等方法以及验证技术。
A. P. Dawid 于 1982 年发表的经典论文，论述了良好校准的贝叶斯概率预测的概念，是统计学和机器学习领域的基础性工作。
本文提出了一种基于贝叶斯框架的互懂性模型（即无需训练即可理解相关语言），采用噪声信道方法。该模型在三种语言对上的预测与人类行为进行了比较，显示出比更大的零样本模型更一致的结果。
作者利用一张地铁站墙上的鞋印照片，通过图像处理和一个启发式的身体与鞋印比例，来估算通勤者的身高分布，并讨论了使用贝叶斯方法进行改进的可能性。
本文引入了分析可解的贝叶斯信息受限扩散（BIRD）模型，用于研究扩散模型中的记忆-泛化相变，发现生成过程接近记忆边缘，且信息限制有助于规避维度灾难。
本文介绍了Manana，一种非参数提示学习框架，它教导LLMs在代表性不足的癫痫护理环境中推荐抗癫痫药物并转诊不确定的病例，在乌干达队列上提高了准确性，并实现了高精度的选择性预测。
本文提出了一种因果机器学习方法，将双重/去偏机器学习与分层贝叶斯框架相结合，以估算额外供给对市场结果的增量影响，并以Airbnb作为案例研究。
提出了一种新的RANSAC评分函数，该函数通过分析的方法边缘化内点尺度，从而消除了用户提供参数的需求。该方法在包含近70,000个图像对的基准测试上达到了最先进的精度。
关于符号回归中不确定性量化的全面综述，回顾了频率学派、贝叶斯以及模型选择方法，以解决在现实决策过程中缺乏可靠性支持的问题。
PBSD提出了一种贝叶斯自蒸馏方法，将稀疏的最终奖励转化为经过校准的回合级信用信号，用于长时域智能体任务，从而改进策略学习与泛化能力。
本文展示了首个 infra-Bayesian 强化学习智能体的实现，证明其在最坏情况遗憾上优于经典 RL，并能最优地处理纽科姆问题，为模型误设定下的鲁棒性迈出了一步。
本文提出了一种与模型无关的基于概率的令牌归因度量，利用贝叶斯规则反转下一个令牌的对数概率，捕捉模型对令牌序列的内部表示，并通过熵分析提高可解释性。
本文介绍了贝叶斯滤波Transformer（BFT），它通过精度加权注意力和卡尔曼更新残差将不确定性引入Transformer，从而提升了序列推荐和有噪声大语言模型微调的性能。
本文提出了一种新的用于线性逆问题的基于能量的模型，该模型学习归一化后验密度，克服了扩散模型的局限性。它实现了无偏采样、自适应采样和盲退化估计，在ImageNet、CelebA和AFHQ上具有竞争力的性能。
介绍贝叶斯模型合并（BMM），这是一个即插即用的双层优化框架，用于将多个任务特定的专家模型合并为一个单一模型，在视觉和语言基准测试上实现了最先进的性能。