arXiv:2511.04552v1 Announce Type: cross 
Abstract: Generative Bayesian Filtering (GBF) provides a powerful and flexible framework for performing posterior inference in complex nonlinear and non-Gaussian state-space models. Our approach extends Generative Bayesian Computation (GBC) to dynamic settings, enabling recursive posterior inference using simulation-based methods powered by deep neural networks. GBF does not require explicit density evaluations, making it particularly effective when observation or transition distributions are analytically intractable. To address parameter learning, we introduce the Generative-Gibbs sampler, which bypasses explicit density evaluation by iteratively sampling each variable from its implicit full conditional distribution. Such technique is broadly applicable and enables inference in hierarchical Bayesian models with intractable densities, including state-space models. We assess the performance of the proposed methodologies through both simulated and empirical studies, including the estimation of $\alpha$-stable stochastic volatility models. Our findings indicate that GBF significantly outperforms existing likelihood-free approaches in accuracy and robustness when dealing with intractable state-space models.

يُحدث تصفية بايزيان التوليد (GBF) ضجة في مجال النمذجة الإحصائية من خلال تقديم طريقة قوية ومرنة للاستدلال اللاحق في الأنظمة المعقدة. تعتمد هذه الطريقة المبتكرة على حساب بايزيان التوليد (GBC) وتستخدم الشبكات العصبية العميقة لتعزيز الاستدلال التكراري دون الحاجة إلى تقييمات كثافة صريحة. هذا مهم لأنه يفتح آفاقًا جديدة لتحليل النماذج غير الخطية وغير الغاوسية، والتي غالبًا ما تكون صعبة التعامل معها. مع استمرار الباحثين في استكشاف GBF، قد يؤدي ذلك إلى تحقيق إنجازات في تطبيقات متنوعة، من المالية إلى الهندسة.

El Filtrado Bayesiano Generativo (GBF) está causando revuelo en el campo de la modelización estadística al ofrecer un método robusto para la inferencia posterior en sistemas complejos. Este enfoque innovador se basa en el Cálculo Bayesiano Generativo (GBC) y utiliza redes neuronales profundas para mejorar la inferencia recursiva sin necesidad de evaluaciones de densidad explícitas. Esto es significativo porque abre nuevas posibilidades para analizar modelos no lineales y no gaussianos, que a menudo son difíciles de manejar. A medida que los investigadores continúan explorando el GBF, podría llevar a avances en diversas aplicaciones, desde finanzas hasta ingeniería.

Le filtrage bayésien génératif (GBF) fait sensation dans le domaine de la modélisation statistique en offrant une méthode robuste pour l'inférence postérieure dans des systèmes complexes. Cette approche innovante s'appuie sur le calcul bayésien génératif (GBC) et utilise des réseaux de neurones profonds pour améliorer l'inférence récursive sans avoir besoin d'évaluations de densité explicites. Cela est significatif car cela ouvre de nouvelles possibilités pour analyser des modèles non linéaires et non gaussiens, souvent difficiles à traiter. À mesure que les chercheurs continuent d'explorer le GBF, cela pourrait conduire à des percées dans diverses applications, de la finance à l'ingénierie.

Generative Bayesian Filtering (GBF) is making waves in the field of statistical modeling by offering a robust method for posterior inference in complex systems. This innovative approach builds on Generative Bayesian Computation (GBC) and utilizes deep neural networks to enhance recursive inference without the need for explicit density evaluations. This is significant because it opens up new possibilities for analyzing nonlinear and non-Gaussian models, which are often challenging to work with. As researchers continue to explore GBF, it could lead to breakthroughs in various applications, from finance to engineering.

Generative Bayesian Filtering and Parameter Learning

arXiv:2511.17103v1 Announce Type: new 
Abstract: Visual emotion recognition (VER) is a longstanding field that has garnered increasing attention with the advancement of deep neural networks. Although recent studies have achieved notable improvements by leveraging the knowledge embedded within pre-trained visual models, the lack of direct association between factual-level features and emotional categories, called the "affective gap", limits the applicability of pre-training knowledge for VER tasks. On the contrary, the explicit emotional expression and high information density in textual modality eliminate the "affective gap". Therefore, we propose borrowing the knowledge from the pre-trained textual model to enhance the emotional perception of pre-trained visual models. We focus on the factual and emotional connections between images and texts in noisy social media data, and propose Partitioned Adaptive Contrastive Learning (PACL) to leverage these connections. Specifically, we manage to separate different types of samples and devise distinct contrastive learning strategies for each type. By dynamically constructing negative and positive pairs, we fully exploit the potential of noisy samples. Through comprehensive experiments, we demonstrate that bridging the "affective gap" significantly improves the performance of various pre-trained visual models in downstream emotion-related tasks. Our code is released on https://github.com/wdqqdw/PACL.

تقدم دراسة حديثة نهجًا مبتكرًا للتعرف على المشاعر البصرية (VER) من خلال اقتراح استخدام التعلم التبايني التكيفي المقسم (PACL) لسد 'الفجوة العاطفية' بين الأنماط البصرية والنصية. تستفيد هذه الطريقة من المعرفة المستمدة من النماذج النصية المدربة مسبقًا لتعزيز قدرات الإدراك العاطفي للنماذج البصرية، خاصة في سياقات وسائل التواصل الاجتماعي المليئة بالضوضاء.

Un estudio reciente presenta un enfoque novedoso para el reconocimiento de emociones visuales (VER) al proponer el uso del Aprendizaje Contrastivo Adaptativo Partitionado (PACL) para cerrar la 'brecha afectiva' entre las modalidades visual y textual. Este método aprovecha el conocimiento de modelos textuales preentrenados para mejorar las capacidades de percepción emocional de los modelos visuales, especialmente en contextos de redes sociales ruidosas.

Une étude récente présente une approche novatrice pour la reconnaissance des émotions visuelles (VER) en proposant l'utilisation de l'apprentissage contrastif adaptatif partitionné (PACL) pour combler le 'écart affectif' entre les modalités visuelles et textuelles. Cette méthode exploite les connaissances des modèles textuels pré-entraînés pour améliorer les capacités de perception émotionnelle des modèles visuels, en particulier dans des contextes de médias sociaux bruyants.

A recent study introduces a novel approach to visual emotion recognition (VER) by proposing the use of Partitioned Adaptive Contrastive Learning (PACL) to bridge the 'affective gap' between visual and textual modalities. This method leverages knowledge from pre-trained textual models to enhance the emotional perception capabilities of visual models, particularly in noisy social media contexts.

Generative Bayesian Filtering and Parameter Learning

Was this article worth reading? Share it

Ask On Data

AIPortalX

RandomGenerator.AI