本文介绍了两种针对结构化输出问题的改进型学习算法:一种适用于输出空间具有任意结构但可能输出配置集较小的问题,另一种适用于输出空间具有任意结构且输出空间的可变性较大的问题。这些新型算法在这两种问题类型上都表现得比对比散度更好。
Feb, 2012
本文研究和扩展了一种名为玻尔兹曼机的概率模型,以无缝整合相似性和共现模式,完成协同过滤任务,并提出了处理偏好序列的参数化选项,同时模拟了基于用户和基于项目的过程,并在中等和大规模电影推荐实验中表现出与现有方法相当的竞争力。
May, 2012
本文从网络科学的角度,提出了一种基于小世界和无标度网络拓扑结构的约束 Restricted Boltzmann Machines 模型,它能够大大减少权重数量,提高生成能力,而不增加计算成本。
Apr, 2016
本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习,提出一种新的深度生成模型和统计关系模型相结合的方法,并采用贝叶斯推断策略,采用快速(自然梯度)随机变分推断算法进行推断,实验结果显示该方法优于以往的基于众包的聚类方法。
Oct, 2018
本文深入探讨了概率分布和变分自编码器的理论,并总结当前研究现状;适合机器学习初学者了解概率分布学习中的核心思想及其在深度学习领域的应用,并为此子领域的新参与者提供了一个适宜的入门机会。
Jun, 2022
本文研究了在监督学习中“没有免费午餐定理”的适用性,进一步证明了神经网络在数据压缩和处理上也有低复杂性的偏好,从而证明了深度学习中统一问题的趋势。
Apr, 2023
本研究提出了单调Deep Boltzmann machines,架构允许全连接的权重结构的高效(近似)推理,可用于图像联合完成和分类。
Jul, 2023
可靠度的强大测量是机器学习、法律和政策研究领域的重要课题,其中关键问题包括可靠度测量的设计准则、大规模和实践中的测量方法,以及与同一研究愿景相关的不同学科所涉及的研究问题。
Jun, 2024
本书针对机器学习领域的数学基础和算法开发进行了系统介绍,填补了学术界对于基础概念和各种算法理论支持的知识空缺。书中提出了多种监督和无监督学习方法,以及生成模型的相关理论,提供了对现代机器学习技术的深入理解和实用指导。
Sep, 2024
本研究针对神经网络在高维数据学习中的效率缺乏理论理解的问题,提出了一个通用模型——序列多索引模型,涵盖了众多已有模型。通过运用统计物理方法,本文系统性地分析了该模型的学习效果,提供了统一的分析框架,对于机器学习理论研究者与统计物理学家都具有重要的参考价值。