Buchumschlag

Incorporating Unlabelled Data into Bayesian Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sharma, Mrinank, Rainforth, Tom, Teh, Yee Whye, Fortuin, Vincent
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Edge-of-Reach Problem in Offline Model-Based Reinforcement Learning
von: Sims, Anya, et al.
Veröffentlicht: (2024)

Non-Stationary Learning of Neural Networks with Automatic Soft Parameter Reset
von: Galashov, Alexandre, et al.
Veröffentlicht: (2024)

Manifold Aware Denoising Score Matching (MAD)
von: Levy-Jurgenson, Alona, et al.
Veröffentlicht: (2026)

Verifier-Backed Hard Problem Generation for Mathematical Reasoning
von: Lai, Yuhang, et al.
Veröffentlicht: (2026)

L3Ms -- Lagrange Large Language Models
von: Dhillon, Guneet S., et al.
Veröffentlicht: (2024)

Making Better Use of Unlabelled Data in Bayesian Active Learning
von: Smith, Freddie Bickford, et al.
Veröffentlicht: (2024)

Kalman Filter for Online Classification of Non-Stationary Data
von: Titsias, Michalis K., et al.
Veröffentlicht: (2023)

Extending Epistemic Uncertainty Beyond Parameters Would Assist in Designing Reliable LLMs
von: Nguyen-Hien, T. Duy, et al.
Veröffentlicht: (2025)

SofT-GRPO: Surpassing Discrete-Token LLM Reinforcement Learning via Gumbel-Reparameterized Soft-Thinking Policy Optimization
von: Zheng, Zhi, et al.
Veröffentlicht: (2025)

Meta-Learning Objectives for Preference Optimization
von: Alfano, Carlo, et al.
Veröffentlicht: (2024)

FSP-Laplace: Function-Space Priors for the Laplace Approximation in Bayesian Deep Learning
von: Cinquin, Tristan, et al.
Veröffentlicht: (2024)

Prompting Strategies for Enabling Large Language Models to Infer Causation from Correlation
von: Sgouritsa, Eleni, et al.
Veröffentlicht: (2024)

In-Context Learning Learns Label Relationships but Is Not Conventional Learning
von: Kossen, Jannik, et al.
Veröffentlicht: (2023)

NoProp: Training Neural Networks without Full Back-propagation or Full Forward-propagation
von: Li, Qinyu, et al.
Veröffentlicht: (2025)

Towards Dynamic Feature Acquisition on Medical Time Series by Maximizing Conditional Mutual Information
von: Sergeev, Fedor, et al.
Veröffentlicht: (2024)

Deep Positive-Unlabeled Anomaly Detection for Contaminated Unlabeled Data
von: Takahashi, Hiroshi, et al.
Veröffentlicht: (2024)

Collaborative Unlabeled Data Optimization
von: Shang, Xinyi, et al.
Veröffentlicht: (2025)

High-Dimensional Bayesian Optimization via Semi-Supervised Learning with Optimized Unlabeled Data Sampling
von: Yin, Yuxuan, et al.
Veröffentlicht: (2023)

BED-LLM: Intelligent Information Gathering with LLMs and Bayesian Experimental Design
von: Choudhury, Deepro, et al.
Veröffentlicht: (2025)

Augmenting Offline RL with Unlabeled Data
von: Wang, Zhao, et al.
Veröffentlicht: (2024)

Inconsistency-Aware Minimization: Improving Generalization with Unlabeled Data
von: Kim, Hee-Sung, et al.
Veröffentlicht: (2026)

Tabular Data Adapters: Improving Outlier Detection for Unlabeled Private Data
von: Herurkar, Dayananda, et al.
Veröffentlicht: (2025)

Amortising Inference and Meta-Learning Priors in Neural Networks
von: Rochussen, Tommy, et al.
Veröffentlicht: (2026)

Bayesian Neural Scaling Law Extrapolation with Prior-Data Fitted Networks
von: Lee, Dongwoo, et al.
Veröffentlicht: (2025)

Learning from M-Tuple Dominant Positive and Unlabeled Data
von: Qin, Jiahe, et al.
Veröffentlicht: (2025)

Positive-Unlabeled Diffusion Models for Preventing Sensitive Data Generation
von: Takahashi, Hiroshi, et al.
Veröffentlicht: (2025)

Precise Bayesian Neural Networks
von: Brito, Carlos Stein
Veröffentlicht: (2025)

LinTree: Improving LLM Reasoning with Explicitly Structured Search Histories
von: Kang, Liwei, et al.
Veröffentlicht: (2026)

Incorporating Expert Rules into Neural Networks in the Framework of Concept-Based Learning
von: Konstantinov, Andrei V., et al.
Veröffentlicht: (2024)

Leveraging Skills from Unlabeled Prior Data for Efficient Online Exploration
von: Wilcoxson, Max, et al.
Veröffentlicht: (2024)

AllMatch: Exploiting All Unlabeled Data for Semi-Supervised Learning
von: Wu, Zhiyu, et al.
Veröffentlicht: (2024)

Positive Unlabeled Contrastive Learning
von: Acharya, Anish, et al.
Veröffentlicht: (2022)

How to Craft Backdoors with Unlabeled Data Alone?
von: Wang, Yifei, et al.
Veröffentlicht: (2024)

Resilient Class-Incremental Learning: on the Interplay of Drifting, Unlabelled and Imbalanced Data Streams
von: Li, Jin, et al.
Veröffentlicht: (2026)

Integrating Distribution Matching into Semi-Supervised Contrastive Learning for Labeled and Unlabeled Data
von: Nakayama, Shogo, et al.
Veröffentlicht: (2026)

Stochastic Weight Sharing for Bayesian Neural Networks
von: Lin, Moule, et al.
Veröffentlicht: (2025)

Full Bayesian Significance Testing for Neural Networks
von: Liu, Zehua, et al.
Veröffentlicht: (2024)

Regularizing Explanations in Bayesian Convolutional Neural Networks
von: Bekkemoen, Yanzhe, et al.
Veröffentlicht: (2021)

Beyond Myopia: Learning from Positive and Unlabeled Data through Holistic Predictive Trends
von: Wang, Xinrui, et al.
Veröffentlicht: (2023)

Mixture of Autoencoder Experts Guidance using Unlabeled and Incomplete Data for Exploration in Reinforcement Learning
von: Malomgré, Elias, et al.
Veröffentlicht: (2025)