拉普拉斯近似用于贝叶斯张量网络核机器
软件工程
2026-04-30 v1
摘要
不确定性估计对于在存在模糊或超分布输入时进行稳健决策至关重要。高斯过程 (GP) 是经典的基于核的方法，提供原则性的不确定性量化，并在小型到中型数据集上表现良好。或者，在张量网络假设下对权重空间学习问题进行建模，可实现可扩展的张量网络核机器。然而，这些假设破坏了高斯性，导致标准概率推断复杂化。这引出一个根本性问题：张量网络核机器如何提供原则性的不确定性估计？我们提出一种新的贝叶斯张量网络核机器 (LA-TNKM)，采用（线性化）拉普拉斯近似进行贝叶斯推断。一系列全面的数值实验表明，所提方法在 diverse UCI 回归基准测试中始终与高斯过程和贝叶斯神经网络 (BNN) 相当或优于，凸显了其有效性和实际相关性。
引用
@article{arxiv.2604.26674,
title = {Reproducible Automated Program Repair Is Hard -- Experiences With the Defects4J Dataset},
author = {Adam Krafczyk and Klaus Schmid},
journal= {arXiv preprint arXiv:2604.26674},
year = {2026}
}
备注
To be published in Proceedings of the 30th International Conference on Evaluation and Assessment in Software Engineering (EASE'26)