Buchumschlag

Position: The Time for Sampling Is Now! Charting a New Course for Bayesian Deep Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sommer, Emanuel, Rügamer, David
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

bde: A Python Package for Bayesian Deep Ensembles via MILE
von: Arvanitis, Vyron, et al.
Veröffentlicht: (2026)

Microcanonical Langevin Ensembles: Advancing the Sampling of Bayesian Neural Networks
von: Sommer, Emanuel, et al.
Veröffentlicht: (2025)

Towards E-Value Based Stopping Rules for Bayesian Deep Ensembles
von: Sommer, Emanuel, et al.
Veröffentlicht: (2026)

Connecting the Dots: Is Mode-Connectedness the Key to Feasible Sample-Based Inference in Bayesian Neural Networks?
von: Sommer, Emanuel, et al.
Veröffentlicht: (2024)

On the Interplay of Priors and Overparametrization in Bayesian Neural Network Posteriors
von: Kobialka, Julius, et al.
Veröffentlicht: (2026)

Can Microcanonical Langevin Dynamics Leverage Mini-Batch Gradient Noise?
von: Sommer, Emanuel, et al.
Veröffentlicht: (2026)

Position: The Future of Bayesian Prediction Is Prior-Fitted
von: Müller, Samuel, et al.
Veröffentlicht: (2025)

Paths and Ambient Spaces in Neural Loss Landscapes
von: Dold, Daniel, et al.
Veröffentlicht: (2025)

Additive Model Boosting: New Insights and Path(ologie)s
von: Schulte, Rickmer, et al.
Veröffentlicht: (2025)

Calibrating LLMs with Information-Theoretic Evidential Deep Learning
von: Li, Yawei, et al.
Veröffentlicht: (2025)

Can Transformers Learn Full Bayesian Inference in Context?
von: Reuter, Arik, et al.
Veröffentlicht: (2025)

Scalable Higher-Order Tensor Product Spline Models
von: Rügamer, David
Veröffentlicht: (2024)

Position: Bayesian Deep Learning is Needed in the Age of Large-Scale AI
von: Papamarkou, Theodore, et al.
Veröffentlicht: (2024)

Bayesian Semi-structured Subspace Inference
von: Dold, Daniel, et al.
Veröffentlicht: (2024)

Deep Weight Factorization: Sparse Learning Through the Lens of Artificial Symmetries
von: Kolb, Chris, et al.
Veröffentlicht: (2025)

On the Epistemic Uncertainty of Overparametrized Neural Networks
von: Rügamer, David
Veröffentlicht: (2026)

Rethinking Intrinsic Dimension Estimation in Neural Representations
von: Schulte, Rickmer, et al.
Veröffentlicht: (2026)

Achieving interpretable machine learning by functional decomposition of black-box models into explainable predictor effects
von: Köhler, David, et al.
Veröffentlicht: (2024)

How to Achieve the Intended Aim of Deep Clustering Now, without Deep Learning
von: Ting, Kai Ming, et al.
Veröffentlicht: (2026)

Enhancing Heavy Rain Nowcasting with Multimodal Data: Integrating Radar and Satellite Observations
von: Kassoumeh, Rama, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Prior-Data Fitted Networks using Martingale Posteriors
von: Nagler, Thomas, et al.
Veröffentlicht: (2025)

Position: Topological Deep Learning is the New Frontier for Relational Learning
von: Papamarkou, Theodore, et al.
Veröffentlicht: (2024)

Position: Why We Must Rethink Empirical Research in Machine Learning
von: Herrmann, Moritz, et al.
Veröffentlicht: (2024)

ChartMaster: Advancing Chart-to-Code Generation with Real-World Charts and Chart Similarity Reinforcement Learning
von: Tan, Wentao, et al.
Veröffentlicht: (2025)

Differentiable Sparsity via $D$-Gating: Simple and Versatile Structured Penalization
von: Kolb, Chris, et al.
Veröffentlicht: (2025)

ChartEye: A Deep Learning Framework for Chart Information Extraction
von: Mustafa, Osama, et al.
Veröffentlicht: (2024)

Adjustment for Confounding using Pre-Trained Representations
von: Schulte, Rickmer, et al.
Veröffentlicht: (2025)

Causal Reasoning: Charting a Revolutionary Course for Next-Generation AI-Native Wireless Networks
von: Thomas, Christo Kurisummoottil, et al.
Veröffentlicht: (2023)

Fast, Precise Thompson Sampling for Bayesian Optimization
von: Sweet, David
Veröffentlicht: (2024)

Bayesian Computation in Deep Learning
von: Chen, Wenlong, et al.
Veröffentlicht: (2025)

ARMA Cell: A Modular and Effective Approach for Neural Autoregressive Modeling
von: Schiele, Philipp, et al.
Veröffentlicht: (2022)

Position: Current Benchmarking Hinders Real Progress in Deep Learning for Time Series Forecasting
von: Moretti, Valentina, et al.
Veröffentlicht: (2025)

Post-hoc Orthogonalization for Mitigation of Protected Feature Bias in CXR Embeddings
von: Weber, Tobias, et al.
Veröffentlicht: (2023)

Hybrid Bernstein Normalizing Flows for Flexible Multivariate Density Regression with Interpretable Marginals
von: Arpogaus, Marcel, et al.
Veröffentlicht: (2025)

Position: Behavioural Assurance Cannot Verify the Safety Claims Governance Now Demands
von: Seth, Pratinav, et al.
Veröffentlicht: (2026)

Bayesian Nonparametrics: An Alternative to Deep Learning
von: Moraffah, Bahman
Veröffentlicht: (2024)

Streamlining Prediction in Bayesian Deep Learning
von: Li, Rui, et al.
Veröffentlicht: (2024)

Interpretable Machine Learning for TabPFN
von: Rundel, David, et al.
Veröffentlicht: (2024)

Enhancing Diversity in Bayesian Deep Learning via Hyperspherical Energy Minimization of CKA
von: Smerkous, David, et al.
Veröffentlicht: (2024)

Bayesian Negative Binomial Regression of Afrobeats Chart Persistence
von: Cabansag, Ian Jacob, et al.
Veröffentlicht: (2026)