NIPSNov, 2016

从不完整观测学习影响函数

PDF
TL;DR该研究探讨感染函数学习问题在节点激活的不完整情况下。不完整观测是一个主要问题，因为大多数（在线和现实世界中的）社交网络不是完全可观测的。该研究通过在修改后的图中将不完整观测转化为完整观测，从而建立了离散时间线性阈值和离散时间独立级联模型的适当和不适当 PAC 可学习性，并在可重达特性方面实现了参数化的非适当 PAC 可学习性。实验结果表明，即使缺失观测的比例相当大，该方法也能够弥补数据集的能力。
发现论文，激发创造
  • 学习离散动力系统的拓扑结构和行为

    在 PAC 模型下，本文研究了学习系统行为和底层拓扑结构的问题，并表明在一般情况下，这一学习问题是计算上难以处理的；然而，在底层图属于某些特定类别时，我们提出了高效的学习方法；另外，对于拓扑结构部分已知的未知系统，我们开发了一个高效的 PAC 学习器来推断系统并建立了样本复杂性；最后，我们使用 Natarajan 维度的著名表述方法对既未知拓扑结构又未知行为的动力系统的假设类的表达能力进行了正式分析，为学习离散动力系统的行为和拓扑结构提供了理论基础。

    Feb, 2024

  • 多层网络上动力系统的高效 PAC 可学习性

    研究网络动力系统在多层网络上的可学习性，并提出了基于 PAC 学习算法的有效算法及对 Natarajan 维度的严格分析，为多层动力系统的学习问题提供了理论基础。

    May, 2024

  • 从不完整数据学习循环因果模型

    在本研究中，我们提出了一种名为 MissNODAGS 的新框架，用于从部分缺失的数据中学习循环因果图。通过合成实验和真实的单细胞干预数据，我们证明在部分缺失的干预数据上使用最先进的填充技术后进行因果学习相比之下，MissNODAGS 表现出更好的性能。

    Feb, 2024

  • 从平均情况复杂度到不当学习复杂度

    这篇论文介绍了一种新的证明不适当学习难度的技术，基于难以处理的问题的规约，通过与密码假设相结合，发现了学习 $DNF$，半平面和超平面的交集等问题的困难性。

    Nov, 2013

  • 深度学习中的影响函数非常脆弱

    本文举行了一项大规模实证研究，详细探究了影响函数在神经网络模型中的成功和失败，在浅层网络中影响估计值相对准确，在深层网络中影响估计值通常是错误的，特定的神经网络结构和数据集，训练时使用重量减退正规化很重要以获得高质量的影响估计。

    Jun, 2020

  • 学习具有记忆的高维马尔可夫过程的影响图

    基于对多个应用程序在社交网络、神经系统和金融风险分析中的动机，我们研究了学习具有内存的高维多元离散时间马尔可夫过程的底层（有向）影响图或因果图的问题。我们将一个已有的算法扩展到这种带有内存的马尔可夫设定中，并证明了在影响图的度受限制的条件下，它可以基于二进制观测量学习影响图，在样本复杂度上具有对数（相对于变量或节点数量）的要求。本工作的重要分析贡献是通过上界和下界约束观测到的带有内存的马尔可夫过程相对于影响图参数的收敛速率来导出样本复杂度结果。

    Jun, 2024

  • 在线线性阈值模型下的影响最大化

    本文主要研究了在线影响最大化问题，并提出了 LT-LinUCB 算法与 OIM-ETC 算法，其中前者考虑了节点级反馈，后者简单易用、无需离线计算且具有较低的反馈要求。

    Nov, 2020

  • 面向影响最大化的无模型在线学习

    该论文考虑了社交网络中的影响最大化问题，提出了一种可快速从数据中学习的新颖参数化框架并开发了 LinUCB 算法来解决问题。

    Mar, 2017

  • 基于独立级联模型的节点级反馈在线影响最大化

    本研究提出了一种应对节点级反馈的独立级联模型（IC）的在线影响最大化问题的算法，通过使用该算法，可以在社交网络中找到最优种子节点来刺激信息在网络中最大范围的传播。

    Sep, 2021

  • 通过高阶 HSIC 以递增的信息学习非参数 DAGs

    通过确定一组父节点的可识别性条件，本文提出了一种基于最优调整算法的学习贝叶斯网络的方法，使用 Hilbert-Schmidt 独立性准则进行优化问题，证明了高阶 HSIC 的增量属性，实验证明该算法在不同合成数据集和实际数据集上优于现有方法，在 Sigmoid 混合模型中，算法的结构干预距离（SID）比 CAM 算法小 329.7，表明该算法对图的估计缺少的边更少。

    Aug, 2023