关于关系型概率模型聚合器的比较
本文提出一种基于 (条件) 马尔科夫网络的框架,可以 effectively 地训练 probabilistic relational models,并使用近似概率推断对多个相关对象进行 collective classification,从而解决了先前方法的两个限制:有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明,建模关系依赖性可以显著提高分类准确性。
Dec, 2012
通过构建一个概率模型,该论文提出了一种新的关系推导框架,提高了在相关数据集上的推导分数;此外,该论文还提供了两个用于帮助未来研究的实用资源:一种改进的判定数据集框架和一个包含 17848 个标记实例的公共数据集,其标记的精度从 53%提高到了 95%。
Jul, 2019
本文研究了聚合理论中的统计学设置,并通过用较小的局部复杂度替换全局复杂度来加强经典聚合理论的结果,包括基于 Leung 和 Barron 的指数权重估计器的局部经典简单限制,并针对 Q - 聚合估计器提出了偏差最优限制。
Jun, 2023
为了扩展标准高斯过程回归到大规模数据集,聚合模型采用因子化训练过程,然后结合来自分布式专家的预测。然而,现有的聚合模型要么提供不一致的预测,要么需要耗时的聚合过程。本文对典型聚合方式使用不连续或随机数据划分的不一致性进行了证明,并提出了一种高效且一致性的大规模高斯过程聚合模型。所提出的模型继承了聚合的优点,如闭合形式推理和聚合,并行化和分布式计算。此外,理论和实证分析表明,由于预测一致,所以新的聚合模型在训练样本接近无穷大时会更加优越。
Jun, 2018
该研究介绍了两种形式化方法,将相对频率明确地纳入统计关系人工智能中,并提供了两种形式主义在不断扩大的域上诱导的渐近概率分布的表示,这有助于更好地对训练和测试域大小不同的学习问题进行建模和估算参数。
Feb, 2022
通过考虑相关性,本文提出了不同的聚合规则,并将它们与朴素规则进行了比较。通过基于合成数据的各种实验证明,当关于误差之间的相关性已知足够信息时,最大似然聚合应该优先考虑。否则,通常情况下,建议使用一种称为嵌入式投票(EV)的方法。
Sep, 2023
该研究探讨了从多个代理中收集和聚合概率信息的问题,通过使用贝叶斯统计学的技术,将信心表示为代理观察到的样本数量,进而使用适当的评分规则收集代理的预测,实现了基于少量样本的聚合。
Oct, 2014
这篇论文介绍了知识图谱补全中规则学习方法的高效、可解释且与纯神经模型竞争的特点,提出了规则聚合问题的概念,并探讨了其理论基础。研究证明了现有的聚合方法可以通过对预测规则进行边缘推断操作来表示,并提出了一种既有效又被忽视的基准方法,与计算复杂度更高的方法具有竞争力。
Sep, 2023
本文提出了一个概率框架,将多实例学习扩展到多类分类和回归等其他问题,并引入一种新的一致性概念来表征估计器,证明了在温和的假设下具有良好的收敛性。实验证明,该方法在三种问题设置中具有有效性。
Apr, 2020