论文10:09神经似然贝叶斯反问题的凸逼近框架这篇论文给神经似然逼近奠定了凸优化理论基础,证明训练目标严格凸且样本量增大时收敛,适合数学基础扎实的研究者了解新方法。#Bayesian Inverse Problems#Neural Likelihood#凸优化#反问题aarXiv cs.LG@Fabian Schneider 等 3 人原文稍后读已读值得跟进有用关注 Bayesian Inverse Problems
模型10:56大型语言吉布斯的结构化概率推理方法这篇论文提出用LLM做MCMC采样,比直接生成更鲁棒,适合复杂推理场景,值得做概率建模的人看看。#Large Language Gibbs#LLM#MCMC#结构化推理aarXiv cs.LG@Sanghyeok Choi 等 3 人原文稍后读已读值得跟进有用关注 Large Language Gibbs