基于级联推断图:一个稀疏恢复框架
本文使用 l1 正则化最大似然框架研究了一般连续时间扩散模型的网络结构推断问题。我们证明了只要级联采样过程满足自然的不相干条件,我们的框架可以在观察到 O (d3logN) 个级联的情况下高概率地恢复正确的网络结构。此外,我们开发了一个简单有效的软阈值推断算法,并证明我们的框架在实践中优于其他替代方案。
May, 2014
本研究主要关注于对于图中罕见边特性的稀疏向量信号进行压缩感知,通过纵向联通路径下的加性测量可以以 O (k log n) 的时间复杂度实现对于 k - 稀疏链接向量的恢复,并且借助 L1 正则化可以有效地推断在图中进行 O (k log n) 路径测量的 k - 稀疏向量。
Aug, 2010
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
文章提出了一种基于动态空腔方法的方法来推断动力学 Ising 模型中的耦合和外部场,相较于现有的平均场方法,此方法能够更好地获取不同时间步长下的相关性。
Jul, 2012
该论文提出了一种基于注意力机制的体系结构,可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性,达到填充(imputation)缺失值的目的。
May, 2022
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。
Jun, 2012
我们提出了一个图信号模型,并将信号恢复任务转化为对应的优化问题,通过交替方向乘子方法提供一般解决方案,然后展示了信号修复、矩阵完成、鲁棒主元分析和异常检测等都与图信号恢复有关,提供了相应的特定解决方案和理论分析,最后在在线博客分类、桥梁状况识别、温度估计、推荐系统和在线博客分类专家意见结合等实际恢复问题上验证了所提出的方法。
Nov, 2014
本文介绍了一种扩展了边远离独立性的稀疏随机图的一般模型,并且通过构造非齐性随机超图来替代每个超边,再通过与某个积分算子的范数相关来解释巨型连通性的临界点,并将该巨型连通量与某些(非 Poisson)多类型分支过程的生存概率关联起来,同时研究度分布和数量小子图的细节。
Jul, 2008