May, 2012

基于动态权重的部分观测随机场模型聚合

PDF
TL;DR本文提出了一种基于复杂的、确定性算法的参数优化方法，称之为 'herding dynamics'，该方法在处理随机场模型上表现良好。
random field modelcomplex dynamicsherding dynamicsparameter optimizationdeterministic algorithm
发现论文，激发创造
  • 从部分观测中学习动态系统

    本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

    Feb, 2019

  • 社交网络中动态参数的在线学习

    研究在线学习在动态环境中的应用，通过考虑社交网络等输入变量来降低最小化损失函数，并建立针对真实状态的两个更新机制，并对估计误差和后悔进行建模。

    Oct, 2013

  • 利用部分状态观测进行机器学习参数跟踪

    使用逆问题和储水池计算，我们开发了一个无模型、完全数据驱动的框架，能够从部分状态观测实时准确追踪变化的参数。该框架在各种复杂的非线性动力系统中表现出强大的性能，并解决了影响追踪性能的相关问题。

    Nov, 2023

  • 最优加权聚群是贝叶斯积分

    本文研究了采样方法和贝叶斯积分估计在选取样本时的损失函数关系，进而证明了带权的 kernel herding 是所有带权采样方法中最优的方法，同时也得出了贝叶斯积分估计的经验误差上界。

    Aug, 2014

  • 关于压群算法和条件梯度算法之间的等价性

    本文研究了 Welling（2009）的聚集过程，发现其采用标准的凸优化算法，即条件渐近算法，通过最小化二次矩差异。通过数值模拟研究了不同变体的行为。结果表明，虽然我们可以在近似积分的任务上对 herding 进行改进，但原始的 herding 算法更倾向于接近最大熵分布，揭示了 herding 背后的学习偏差。

    Mar, 2012

  • 从聚合数据中学习深层非线性动力学

    通过引入具有灵活性的隐藏变量，使用 Wasserstein distance 的动态生成模型可以从聚合观察数据中直接学习非线性动力学，并且相对于现有技术具有很强的性能表现。

    Jul, 2018

  • 从局部观测重建传播模型参数

    本研究提出了一种高效的动态信息传递算法，可以在只有网络中节点活动时间的部分信息的情况下重建传播模型的参数。该方法适用于大量的动态模型和时间图案例。

    Aug, 2016

  • 从观察中学习集体行为

    通过设计合适的损失函数，利用变分逆问题方法，我们提出了一系列学习方法，用于识别动态系统的结构，以了解相互作用代理系统中的新兴行为，能够有效处理高维观测数据，包括一阶和二阶动态系统的观测数据，考虑观测 / 随机噪声、复杂的相互作用规则、缺失的相互作用特征和实际世界观测，在学习方法中固有地提供了降维能力。

    Nov, 2023

  • 利用最优输运和动力学先验进行部分观测轨迹推断

    通过部分观测数据推断潜在轨迹的方法被称为 PO-MFL，该方法在可观察状态空间模型中引入了基于熵的最小估计器，并使用调整后的动力学相邻时间边缘之间的熵传输来解决潜在轨迹推断问题，实验证实了该方法的鲁棒性及 MFL 动力学的指数收敛性。

    Jun, 2024

  • 使用分布式双均值在网络中指数级快速进行参数估计

    本文提出了一种基于优化的分布参数估计和观察性社交学习方法，演示了如何使用分布式，在线的 Nesterov 双平均法解决纯粹依靠本地信息的估计，并证明了代理最终可以使用随机瓦解方案学习真实参数。

    Sep, 2013