WWWApr, 2017

线性可加马尔科夫过程

PDF
TL;DR本文介绍了一种新型的线性加性马尔可夫过程 LAMP，并在理论上对其稳态和混合时间进行了分析，同时提出了一种基于交替极小化的算法来从数据中学习 LAMP 模型。实验结果表明，LAMP 模型不仅比一阶马尔可夫模型更有效，甚至在参数复杂度几乎不增加的情况下，也能与深度时序模型（如 LSTMs）相媲美。
lamplinear additive markov processtransitionparametrizationmixing time
发现论文，激发创造
  • 聚合马尔可夫过程在随机学习理论中的应用

    通过合成函数和马尔可夫过程产生的随机过程称为聚合马尔可夫过程（AMP）。本文旨在描述 AMP 理论如何应用于随机学习理论中以学习特定任务，并提供了 AMP 的充分条件和规范表示。

    Nov, 2023

  • 高斯链图模型下备选马尔可夫性的最大似然估计

    本文介绍了 AMP Markov 性在高斯链图模型中的应用和最大似然估计方法，结合广义最小二乘法和迭代比例拟合得出迭代算法，并给出了一些有用的迭代算法收敛结果。

    Aug, 2005

  • 充分统计量内存近似传递算法

    本文提出了一种新的算法 SS-MAMP 来解决 Approximate message passing 算法在迭代过程中的收敛问题，在满足充分统计条件的情况下保证了算法的收敛和正交性。

    Jun, 2022

  • 多层广义线性估计

    本文应用统计物理的标准方法，提出了多层近似信息传递算法来重构一个信号从多层（可能是非线性的）测量中，并推导出相关的状态演化方程来分析其性能。文中还介绍了一些这种测量模型在压缩感知、结构化矩阵 / 模式下的感知器学习以及自编码器中潜变量估计的应用。

    Jan, 2017

  • 大数据的并行高斯过程回归：低秩表示遇上马尔可夫近似

    本文提出了一种低秩 / 马尔科夫逼近的高斯过程模型，该模型在保证预测性能的同时提高了可扩展性并且适合于在多个机器 / 内核上并行运行。

    Nov, 2014

  • LAMP: 基于少样本的视频生成中学习动作模式

    通过少样本调参框架 LAMP，本研究展示了如何在单个 GPU 上学习特定的运动模式，以便用较少的数据生成高质量视频。

    Oct, 2023

  • 广义线性模型的向量近似传递算法

    本文介绍了将 “vector AMP” 算法推广到广义线性模型 (Genelized Linear Model, GLM) 中的方法，通过实验表明所提出的 GLM-VAMP 算法比阻尼 GAMP 算法更能应对矩阵 A 病态化的情况。

    Dec, 2016

  • 神经马尔可夫跳进程

    本文提出了一种基于神经常微分方程的变分推断算法，在 Markov 跳跃过程中通过学习神经连续时间表示来近似后验分布，相比于 Monte Carlo 和期望最大化方法具有更高效的性能。

    May, 2023

  • 马尔可夫跳跃过程的基础推断模型

    使用零样本推理的神经网络模型，能够从嘈杂且稀疏的观察中，推断出具有不同维度的马尔可夫跳跃过程，并且达到与针对目标数据集微调的最先进模型相媲美的性能。

    Jun, 2024

  • 内存近似消息传递

    提出了一种新的低成本迭代参数估计技术 - MAMP，通过长记忆匹配滤波器来抑制干扰并具有与 AMP 相媲美的复杂度，在所有右单位矩阵中，经过优化的 MAMP 收敛于 OAMP/VAMP，并因此成为最优贝叶斯估计。

    Jun, 2021