该论文研究了概率图模型中精确实现推断和学习的条件,并开发出相应的算法,通过展示各种示例模型的应用,最终展示了如何将这些模型组合成可处理的概率图模型。
Apr, 2024
通过基于人类教学的伪边际抽样实现机器学习的普适性教学方法,成功地在主题模型上进行训练,并在电影简介数据中验证了该方法的优势。
May, 2016
本文探讨了机器教学的问题,提出了基于马尔可夫决策过程的序列教学问题。通过研究多臂老虎机学习器的模拟实验和用户研究,探究了教学规划和学习者具有教师模型两种方法对于学习效果的影响,分别从学习者的角度和教师的角度考虑互动智能系统的策略行为,提供了新的研究方法。
Sep, 2018
研究如何通过随机模型和基于子模块的贪婪算法来选择训练示例以教导学习者分类规则,并证明该策略具有较高的实用性和有效性。
Feb, 2014
本文探讨了机器教学的逆问题,提出了一种新的范例,即学习者使用迭代算法,教师可以根据学习者当前的表现顺序地、智能地提供示例。它着重于实现学习者模型的快速收敛,可以通过设计教学算法减少教学示例并比没有教师进行教学的学习实现更快的收敛。
May, 2017
本文提出了一种更智能的机器教学范式,即一次性机器教学,并建立了可行的映射方法设计最优化(通常为最小)教学集,以便更快地收敛,从而证明了新教学范式的智能性并验证了该策略的有效性。
Dec, 2022
本文提出了一个算法,通过寻找超级教学集来让学习者在少量的数据上表现得更好,该算法在回归和分类问题中表现良好,并在高斯分布的均值的最大似然估计和 1D 大边界分类器上提供超级教学保证。
Feb, 2018
提出了一个简单的生成模型框架,用于学习预测以前未见过的类,该模型通过估计门限类条件属性分布来实现,与大多数现有的零样本学习方法不同,我们的生成模型自然地将每个类表示为概率分布,可以无缝扩展到少样本学习,并通过在训练过程中使用来自未见过的类的未标记数据提高其条件分布的估计效率。
Jul, 2017
本文说明了许多机器学习算法都是贝叶斯学习规则的特定实例,该规则源于贝叶斯原则,从优化、深度学习和图形模型等领域得出一系列算法。我们的工作不仅统一,泛化和改进了现有算法,而且还帮助我们设计新的算法。
Jul, 2021
本文提出了一种使用贝叶斯优化算法进行最小误差率训练的新型统计机器翻译系统,探索了两类算法来高效地探索翻译空间,其中一类基于 N-best 列表,另一类基于超图表示法,同时介绍了一种随机嵌入算法来扩展我们的方法以处理稀疏高维特征集。
Dec, 2014