ICMLJun, 2012

利用稀疏决策有向无环图进行快速分类

PDF
TL;DR本文提出了一种算法，其从外部学习方法提供的基本分类器列表中构建稀疏决策 DAG（有向无环图），将 DAG 设计任务作为马尔可夫决策过程，每个实例可以根据正在构建的分类器的当前状态决定使用还是跳过每个基本分类器，使用一个控制准确度 / 速度权衡的超参数控制算法，与三个目标检测基准相比竞争力强，在基本分类器数量较少时明显优于级联检测器，也适用于多类分类，使用多类设置，我们证明可以显着提高排名器的决策速度而不会损害排名器的性能。
sparse decision dagsmarkov decision processadaboostobject-detection benchmarksmulti-class classification
发现论文，激发创造
  • 有向无环图的高效学习在资源受限预测中的应用

    研究如何通过建立有向无环图的分类系统来减少测试时间的获取成本，将问题建模为经验风险最小化，通过减少全局目标实现动态编程，从而提高计算效率和性能。

    Oct, 2015

  • 基于最稀疏排列的有向无环图学习

    该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

    Jul, 2013

  • 学习稀疏非参数 DAG

    该研究开发了一个框架，可用于从数据中学习稀疏的非参数有向无环图（DAG）。该方法基于最近对 DAG 进行的代数描述，该描述为分数为基础的 DAG 模型的学习提供了一个完全连续的程序，该程序通过线性结构方程模型（SEM）进行参数化。该框架适用于各种非参数和半参数模型，包括广义线性模型（GLMs）、加性噪声模型和索引模型等特殊情况。与现有方法不同，这个方法不需要特定的建模选择、损失函数或算法，它提供了一个完全通用的框架，可应用于一般的非线性模型和一般的可微分的损失函数，以及通用的黑盒优化例程。代码可在 https 网址处获得。

    Sep, 2019

  • 不强制无环的情况下学习有向无环图 (DAGs)

    本文章通过 L1 正则化优化的稀疏矩阵分解方法，得到逼近 DAG 的图结构，避免了传统结构学习算法在组合复杂度方面的缺陷。

    Jun, 2020

  • 关于稀疏性和 DAG 约束在学习线性 DAG 中的作用

    通过研究稀疏性和 DAG 约束的渐近作用，提出了一种基于类似似然函数的求解 DAG 约束的无约束优化方法，该方法能够在处理成千上万个节点时仍然保持高精度。实验证明，该方法比使用最小二乘法和硬 DAG 约束的方法更加有效。

    Jun, 2020

  • 通过深度模型的自适应级联快速视频分类

    通过在线机器学习算法，针对短期时间内高度失衡的视频分类问题，我们提出了一种新的算法并取得了 2.4-7.8 倍的分类速度提升。

    Nov, 2016

  • 上下文定向无环图

    通过将上下文特征映射到加权邻接矩阵上的有向无环图（DAG），并利用具有新颖投影层的神经网络，我们提出了一种处理上下文 DAG 问题的方法，该方法确保输出矩阵稀疏并满足无环性质的最近发展算法，并为学习上下文 DAG 提供了可伸缩的计算框架，同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明，这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。

    Oct, 2023

  • 离散数据有向无环图的惩罚估计

    本文提出了一种针对大参数空间和稀疏结构难以搜索的问题的极大化惩罚似然方法，该模型将一个节点的条件分布模型化为多元逻辑回归，通过使用组规范惩罚来获得稀疏的有向无环图。应用该方法得出结果表明其在建立因果关系的有向图方面比现有方法具有更高的效率。

    Mar, 2014

  • 学习有向无环图模型混合

    本文通过 Cheeseman-Stutz 渐近逼近和 Expectation-Maximization 算法的结合，提出了一种有效的方法来学习混合有向无环图模型（MDAGs），并探讨了参数和模型结构的搜索问题。

    Jan, 2013

  • 级联分类中训练有效节点分类器

    提供了一种基于线性不对称分类器的新型提升算法，可用作级联对象检测中的节点分类器，并显示比当前最先进技术的性能更好。

    Jan, 2013