数据科学的真实性
为云用户提供工作完成时间预测,提出了 PCS 调度框架,通过配置 Weighted-Fair-Queueing 参数,达到预测性能与其他目标的平衡,实现 DNN 工作调度的准确完成时间估计。
Jan, 2024
本研究探讨了如何在可靠和透明的决策机制中集成不确定性量化和模型可解释性方法,以促进可信的业务和运营过程分析。研究了如何在全局和本地后验解释方法中有效地传达模型不确定性,并检查了适当的可视化分析方法以促进方法论的集成。所提出的方法和界面也得到了专家的反馈。
Apr, 2023
通过将预测编码视为拉普拉斯近似下的变分贝叶斯算法,我们发现其目标函数中排除与之关联的 Hessian 项是其性能不佳的根源。借此,我们提出了三个主要贡献:提出了一个简单的蒙特卡罗估计证据下界,该证据下界依赖于从 Hessian 参数化的变分后验中进行采样;推导出了全 Hessian 矩阵的新型块对角线逼近;介绍了一种将我们的方法与标准预测编码相结合以进一步降低内存复杂度的算法。我们在图像基准数据集上评估了我们的方法训练的模型,并将其与标准预测编码框架进行了对比。我们的方法产生了更高的对数似然值和更好的样本,更好地捕获了数据生成分布的多样性。
Mar, 2023
介绍了一种新的结构形式 md-vtrees 来描述可分解概率电路中的决策概率,并展示了如何将其用于派生多项式时间算法,特别是在因果推理查询中。同时,提出了基于该结构的 MDNets 概率电路架构,并在因果推理中进行了实验验证。
Apr, 2023
该论文介绍了因果建模框架中的反事实退化问题,并提出了 DiscoSCM 框架作为解决方案,该框架结合了潜在结果和结构因果模型的优势,并展示了在单位选择问题上的出色表现。
Sep, 2023
通过对深度生成模型知识的蒸馏,提出了新的 P-VAE 方法,该方法可以有效地提高准确性,并允许更广泛的应用,我们的结果表明,在几个基准图像数据集上,该方法比基准模型表现更好,特别是在 ImageNet32 数据集上,它取得了 4.06 位每维的结果,仅比变分扩散模型慢 0.34 位。
Feb, 2023
本文研究了概率电路(PCs)的鲁棒性,并发现它们对于 OOD 数据并不鲁棒。为了解决这个问题,我们提出了一种可解释的辍学推理(TDI)方法,并通过一系列实验证明了其提高 PCs 对于分布变化和 OOD 数据的鲁棒性的性能。
Feb, 2023
预测编码是认知科学中的一个理论框架,该研究引入了认知扩散概率模型(CogDPM)来展示扩散概率模型和预测编码理论之间的联系,通过使用精度加权机制估计数据可预测性,CogDPM 在实际预测任务中表现出更为出色的性能。
May, 2024