ICMLJun, 2018

学习多个相关稀疏高斯图模型整合额外知识的快速可扩展联合估计器

PDF
TL;DR本文提出了一种基于领域知识权重的新型混合范数，将两个带权稀疏性约束（共享交互作用和任务特异性结构模式）融合为最小化目标，在多任务 sGGMs 问题上取得了较高的计算效率和预测准确率。
发现论文，激发创造
  • 学习多个相关的稀疏高斯图模型的快速可扩展联合估计器

    本文提出了一种基于 Elementary Estimator 框架的 proximal 算法 FASJEM，用于快速且可扩展地共同估计多个稀疏高斯图模型的结构，通过以 entry-wise 方式求解和优化，显著提高了精度、计算复杂度和内存利用率。

    Feb, 2017

  • 利用开放语料库进行协同知识图谱融合

    本文提出了一种协作知识图谱融合框架，旨在使用从其他语料库中收集到的信息来精细化已有的知识图谱，并改进联合事件抽取与知识图谱融合的性能。

    Jun, 2022

  • 异质图模的同时聚类与估计

    本文提出了一种基于高维 Expectation Conditional Maximization 算法的、能够在估计异构性图模型的同时学习群集结构的方法，通过在条件极大化步骤中施加联合图套索惩罚来提取所有群集中的同质性和异质性组件来实现学习群集结构，算法具有计算效率并且可以在不需要无监督学习知识的情况下实现，并通过广泛实验和应用于 Glioblastoma 癌症数据集揭示了对 Glioblastoma 癌症的新见解。

    Nov, 2016

  • 一种用于估计多个稀疏高斯或非参数图模型的受限 L1 最小化方法

    本文提出了一种新颖的方法 SIMULE，通过受限 L1 最小化来学习多 UGM，包括实体网络、无向图模型和多变量非正态数据，旨在发掘不同上下文中特定和共享的边模式，且在合成和生物医学数据上都表现出显著的改进性。

    May, 2016

  • JEM++：训练 JEM 的改进技术

    本篇论文针对 Joint Energy-based Model (JEM) 的稳定性、准确性和速度提出了多种新的训练流程和架构特征，其中包括使用 proximal SGLD 生成与之前步骤相邻的样本、将 EBM 的近似最大似然学习视为多步微分博弈，并扩展 YOPO 框架以削减反向传播过程中的冗余计算、采用从训练数据中估计的分布采样的新的信息性初始化，以及在 JEM 中应用批量归一化等。

    Sep, 2021

  • 多类别下的逆协方差估计联合图形拉索

    本文研究使用高维数据集对多个相关但不同的图形模型进行估计问题，在基于组织样本的基因表达数据的分析中应用联合图形 Lasso 方法，以获得更准确的网络和协方差结构估计。

    Nov, 2011

  • 联合边模型稀疏学习对于图神经网络的可证明效率

    本文从样本复杂度和收敛速率的角度，首次提供了从联合边缘 - 模型稀疏学习的理论特性，证明了重要节点抽样和低幅度神经元剪枝可以减少样本复杂度，提高收敛速度，而不影响测试精度。

    Feb, 2023

  • 通过 Kronecker 乘积来加速高效稀疏高斯过程 (E-SGP) 的流仿真

    本研究介绍了一种用于流体力学代理建模的高效稀疏高斯过程（E-SGP）算法，它结合了高效高斯过程（E-GP）和变分能量自由稀疏高斯过程（VEF-SGP）的概念，通过指定诱导点和使用 Kronecker 乘积，显著提高了计算效率。 E-SGP 算法在可伸缩性和模型质量方面优于 E-GP，在流体力学问题中，E-SGP 是一个更具潜力的选择，具有可比较的准确度但更高的计算效率。

    Dec, 2023

  • 非凸优化在潜变量高斯图模型估计中的加速

    通过矩阵分解方法和基于硬阈值的迭代梯度下降算法，我们提出了一个针对潜变量高斯图模型（LVGGM）的稀疏和低秩分量的估计方法，实验结果表明该算法比现有算法更加优越。

    Feb, 2017

  • 稀疏条件高斯图模型的大规模优化算法

    本文提出了一种基于牛顿法的优化程序，通过迭代两个子问题来实现高效计算，使用块协调下降来限制内存使用并实现快速收敛，解决了大规模问题下的内存限制和精度问题。

    Sep, 2015