本文介绍了利用朴素贝叶斯算法识别恶意域名的过程，包括算法原理、优缺点及高斯、伯努利和多项式贝叶斯分类器的介绍。通过收集APT组织生成的恶意域名，使用Python进行数据处理和模型训练，最终实现域名分类识别，模型测试准确率达到94.7%。

清华大学研究团队提出了蛋白质基座模型AMix-1，利用贝叶斯流网络和系统化训练方法，解决了蛋白质设计中的可扩展性和功能优化问题。该模型通过上下文学习和扩展算法，显著提高了蛋白质生成的效率和准确性，为未来的蛋白质设计开辟了新路径。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

西北大学与谷歌合作提出贝叶斯自适应强化学习（BARL），首次阐释了大型语言模型（LLM）如何有效进行反思与探索新策略。研究表明，BARL在数学推理任务中表现优异，能够更高效地利用信息，避免无效反思，从而提升模型的决策能力。

本研究提出拉普拉斯样本信息（LSI），通过贝叶斯视角准确估计数据集中个体样本的信息量。LSI结合信息理论和KL散度方法，有效识别数据典型性、检测标签错误及评估数据集难度，从而提升样本选择效率和模型准确性，适用于图像和文本数据训练任务。

本研究解决了在异构数据中测试因果机制不变性的问题，提出了贝叶斯层次不变预测（BHIP）方法，重塑了不变因果预测（ICP）。BHIP通过利用层次结构和先验信息，使得在更大数量预测变量下的计算可扩展性得到提高，并通过合成和真实数据的实验显示其作为ICP替代推断方法的潜力。

本文解决了现有偏好贝叶斯优化方法在面对现实世界中的不等式约束时的不足，提出了带约束的偏好贝叶斯优化（CPBO）方法，首次将不等式约束融入偏好贝叶斯优化中。研究表明，CPBO能够通过探索可行区域有效寻找最优解，并在横幅广告设计中应用，指导设计师遵循真实约束优化创意。

本研究针对评估大型语言模型等人工智能系统能力时面临的复杂性和不确定性问题，提出了一种层次贝叶斯建模框架HiBayES。该框架在低数据场景下（如每次评估少于20个数据点）能够支持经典问题-答案基准和高级代理评估的稳健推断。HiBayES显著提升了模型参数估计的稳定性和不确定性量化能力，对先进的人工智能系统评估具有重要影响。

本研究解决了传统评价框架无法有效评估大型语言模型（LLM）在有限样本情况下能力的问题。通过将模型能力视为潜在变量并利用贝叶斯假设检验的方法，提出了一种新的评估框架，实验结果表明该方法在取样不足的情况下仍然保持统计稳健性，并提供有益的概率性见解，推动了LLM评估方法的发展。

本文从贝叶斯认识论角度探讨语言模型的知识，研究其在不同信息量和证据可靠性下的信心调整。结果表明，模型在真实证据下遵循贝叶斯假设，但在其他证据类型下表现不佳，可能受到对黄金证据的偏见和相关性依赖的影响。

本研究解决了在处理大规模多尺度问题时，量化偏微分方程（PDE）中的知识性和偶然性不确定性面临的挑战。我们提出了一种新颖的\$PINN方法，通过结合局部贝叶斯物理知识神经网络（BPINN）和域分解框架，能够更高效地计算PDE的全局不确定性。研究结果表明，通过并行计算每个子域的局部不确定性，\$PINN显著提高了全局不确定性的恢复效率。