本研究提出了一种贝叶斯预测编码（BPC）方法，克服了传统预测编码在量化认知不确定性方面的局限性。BPC通过估计网络参数的后验分布，实现了快速收敛和有效的贝叶斯学习。

本文研究了随机傅里叶特征（RFF）在核逼近中的应用，提出了新型收缩估计器和快速采样策略，显著提高了计算效率和预测性能。通过Stein随机特征（SRF），实现了高质量样本生成，优化了核逼近和贝叶斯学习的效果。

本文介绍了一种基于Langevin恒温器的自适应协方差控制算法，旨在加速机器学习应用。研究整合了贝叶斯学习框架，量化了神经普通微分方程中的权重不确定性，并展示了在MNIST数据集上的实验结果。此外，提出了热力学AI框架，结合物理启发的算法与随机波动，以提升计算效率。最后，探讨了新型计算硬件的需求及其在概率性人工智能中的应用潜力。

本文介绍了多种基于神经辐射场（NeRF）的方法，如S-NeRF、MVG-NeRF和贝叶斯NeRF，旨在提高三维重建的准确性和不确定性量化。这些方法结合深度信息、法线和贝叶斯学习框架，优化了场景预测和视角合成，展示了在动态环境和稀疏视图设置中的有效性。

本文提出了一种新方法，通过贝叶斯学习对神经常微分方程（NODE）中的不确定性进行建模，自动化模型选择，并引入ALT-NODE模型以实现每个数据点独特的后验分布。研究表明，该方法在合成数据和图像分类中表现良好，提升了模型的鲁棒性和不确定性建模能力。

本文探讨了大型语言模型（LLMs）的泛化能力及其压缩方法。研究表明，模型在未知数据上能够发现规律，且较大模型的泛化能力更强。通过无损数据压缩评估模型性能，发现不同模型在新闻和代码数据上表现不佳，但在arXiv论文上效果显著。此外，提出了基于贝叶斯学习的模型，强调了上下文学习的重要性，旨在推动更有效的语言模型压缩方法的发展。

本文介绍了一种名为随机梯度马尔可夫链蒙特卡罗（SGMCMC）的算法，旨在提高贝叶斯学习和机器学习模型的计算效率。该算法通过数据子抽样技术，在高维环境下展现出良好的可伸缩性，并在多个实验中优于传统的MCMC方法。

该论文提出了一种基于贝叶斯学习的医学图像多模式群组注册框架，利用概率建模和贝叶斯推理实现群组注册。新颖的层次化变分自编码架构提高了计算效率和可扩展性。实验结果表明，该框架在准确性、效率和可解释性方面具有显著优势。

本研究提出了一种基于状态空间模型的计算动力学分析方法，结合神经成像数据，深入分析神经系统的非线性特征，为临床评估和神经科学研究提供新方法。同时，研究了基于贝叶斯学习的算法和随机循环神经网络在多种任务中的应用，提升了模型性能和稳定性。

本文探讨了高斯过程Port-Hamiltonian系统（GP-PHS）在物理信息贝叶斯学习中的应用，强调不确定性量化。提出了多种基于物理约束的深度学习和建模方法，以提高小样本问题的解决能力，并有效量化科学机器学习中的不确定性。这些方法结合了物理知识与机器学习，提升了系统动力学预测的准确性，展示了在科学领域的广泛应用潜力。

本文介绍了一种名为DOMINO的解码算法，能够高效生成符合预期格式的文本，速度优化接近2倍。同时，研究提出了一种新的公差预测方法，结合概率约束编程模型和贝叶斯学习，提升了大型语言模型的生成质量和结构化输出能力。实验验证了该方法在多个文本生成任务中的有效性。

本文探讨了大型语言模型（LLMs）在数据分析、时间序列预测和知识跟踪等领域的应用。研究表明，LLMs在处理受物理规律控制的系统时表现出色，且引入外部知识可提升预测性能。此外，LLMs的行为与贝叶斯学习一致，显示其在教育和决策中的潜力。

本研究提出了一种新型机器学习分类方法，旨在平衡公平性与实用性。通过贝叶斯学习估计样本预测的不确定性，定义了公平性-效用目标。实证结果表明，低不确定性样本更准确、更公平，方法在优化公平性与实用性方面表现优异，具有广泛应用前景。

本文研究了IT基础设施的自动化安全响应，将攻击者和防御者之间的交互形式化为非稳定游戏。通过估计模型的概率性猜想，捕捉基础设施和玩家意图的不确定性，利用贝叶斯学习和回滚的方法在线学习有效的游戏策略，并提出了一种变体来刻画游戏的稳态。通过高级持续威胁的使用案例展示了方法的有效性。模拟研究表明，该方法能够产生适应不断变化环境的有效安全策略，并实现更快的收敛。

该论文提出了一种基于贝叶斯学习的医学图像多模式群组注册的通用框架，通过概率建模图像生成过程中的公共解剖结构和几何变化，利用贝叶斯推理实现了群组注册。论文提出了一种新颖的层次化变分自编码架构，可以以数学可解释的方式计算注册参数，通过无监督闭环自重构过程实现群组注册，并且这种架构具有计算效率高、可扩展性强的特点。实验证明了该框架的优越性，包括准确性、效率、可伸缩性和可解释性。

本研究提出了一种平衡公平性和实用性的机器学习分类任务的解决方案，通过利用贝叶斯学习估计样本预测的不确定性，并通过不确定性量化来定义新型的公平性 - 效用目标，实现同时优化公平性和实用性。实证研究发现，低不确定性的样本比高不确定性的样本更准确、更公平。实验结果表明，该方法在公平性和实用性平衡方面表现优异，并有望在机器学习中实现最佳公平性和实用性。

本文提出了一种新的方法，通过考虑ODE求解器的终止时间T上的分布来模型化神经ODE中的不确定性，并采用贝叶斯学习从数据中获得T的后验分布，实现模型选择的自动化。通过实验在合成数据和现实世界图像分类数据上取得了较好的效果。

本文证明了变分推断在GARCH-like模型中是一种可靠且具有竞争力的贝叶斯学习方法，相比蒙特卡洛采样更为精确可行。

本文介绍了发展心理学中的核心知识，包括四个系统和第五个系统，这些系统深深扎根于人类的系统发育和本体发育中，并指导和塑造着成年人的精神生活。建构主义认为知识是作为理论结构化的，并由概率学习/推理指导。因果模型、贝叶斯学习机制和理论理论提出了一种基于概率因果模型和贝叶斯学习的计算框架，适用于16个月至4岁的儿童。无论哪种理论，认知抽象的论证都必须遵循一定的规则。