ICML

Learning Expressive Priors for Generalization and Uncertainty Estimation in Neural Networks

学习用于神经网络泛化和不确定性估计的表达性先验

Dominik Schnaus, Jongseok Lee, Daniel Cremers, Rudolph Triebel

AI总结 本文提出一种新颖的先验学习方法，通过可扩展和结构化的神经网络后验作为信息性先验，提升泛化能力和不确定性估计，并在持续学习框架中进一步扩展。

Comments Accepted to ICML 2023

Variational Learning of Fractional Posteriors

变分学习分数后验

Kian Ming A. Chai, Edwin V. Bonilla

机构 * DSO National Laboratories, Singapore（新加坡DSO国家实验室） 纠错

AI总结 本文提出一种新的单参数变分目标，用于下界数据证据并估计近似分数后验，通过扩展框架实现分层构造和贝叶斯后验，展示了在混合模型中的模拟研究，证明分数后验能获得更好的校准效果。

Comments Initial version in Proceedings of the 42nd International Conference on Machine Learning, Vancouver, Canada. PMLR 267, 2025. This version contains a correction for Lemma A.1 and amendments to two surrounding texts: see the last page of the paper at the accompanying github website

SECOND: Mitigating Perceptual Hallucination in Vision-Language Models via Selective and Contrastive Decoding

SECOND：通过选择性和对比性解码缓解视觉-语言模型中的感知幻觉

Woohyeon Park, Woojin Kim, Jaeik Kim, Jaeyoung Do

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔大学电气与计算机工程系） ； Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔大学人工智能跨学科项目） 纠错

AI总结 本文提出SECOND方法，通过选择性与对比性解码机制，有效利用多尺度视觉信息，减少视觉语言模型中的感知幻觉并提升性能。

Journal ref ICML 2025