【牛津大学博士论文】多模态概率推理的机器学习预测与协调，173页pdf

在这篇论文中，我们考虑了多模态在机器学习决策和协调问题中的作用。我们提出使用一系列多模态概率方法，使用(有限)混合模型的扩展来解决时间序列预测的挑战，神经网络中的高效不确定性量化，对抗模型和多智能体协调。在论文的第一部分中，我们关注多模态不确定性估计在时间序列预测中的应用，表明这种方法提供了易于操作的、有益的替代点估计方法，点估计仍然是预测的普遍选择方法。我们讨论了多模态不确定性的意义，并展示了更熟练的方法估计后验目标分布的必要性。我们提出了一系列计算高效，但有能力的方法来估计丰富的多模态后验分布。我们将我们的模型与用点测量或单峰分布估计不确定性的技术进行了比较，并在生成对抗网络的启发下，对所开发的方法进行了扩展，以此结束本部分。我们表明，该方法对加性噪声提供了最先进的鲁棒性，使其特别适用于包含大量未知随机的数据集。

http://t.cn/A6oxopoF