可微分变点消元算法
本文提出了一种基于非参数发散度估计的新型统计变点检测算法,该方法使用相对Pearson发散度作为发散度度量,并通过直接密度比估计方法精确而高效地估计,实验结果证明该方法在人类活动感知、语音和Twitter消息等人工和真实数据集上是有用的。
Mar, 2012
提出了Differentiable AIS(DAIS)算法,是AIS算法的一种变种,具备可导性,并能够进行小批量梯度。DAIS在贝叶斯线性回归问题中是一致的,并提供亚线性收敛率。然而,针对大规模数据集的随机DAIS可能无法达到后验的迭代收敛性,需要进行新的研究思路。
Jul, 2021
本文提出了一个名为LiLY的框架,用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题,该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系,然后通过利用识别出的因果结构,将更正步骤进行公式化,将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改,并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来,通过利用这种模块化的变化表示,我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。
Feb, 2022
介绍了一种针对非可微模型的新型随机梯度下降(SGD)方法,利用渐进平滑逼近方法提高了渐进平滑逼近的精度,并证明了收敛到原始目标的固定点,在实验中表现出了简单、快速、稳定的特点,并实现了工作归一化方差的数量级降低。
Feb, 2024
我们提出了一种基于可识别的潜在环境状态(IDEA)的方法来检测分布转变发生的时间,并通过充分观察假设来解耦稳态和非稳态潜在状态的变化,其中包括自回归隐马尔可夫模型来估计潜在环境和模块化先验网络来识别潜在状态。在各种基准数据集上,IDEA模型优于几种最新的非稳态预测方法,突显了其在实际场景中的优势。
Feb, 2024
使用自回归模型回答超出单步预测的复杂概率查询,包括未来事件的时机和特定事件在另一事件发生之前的可能性。通过开发一类宽泛的、高效的近似技术,对顺序模型中的边缘化进行建模。这些技术仅依赖于对预先训练的自回归模型的下一步条件分布的访问和采样,包括传统参数模型和最近的神经自回归模型。针对离散顺序模型、标记的时间点过程和随机跳跃过程,提出了具体的方法,每个方法都适用于一类明确定义的信息丰富、长程概率查询。
Mar, 2024
在多元时间序列中,我们提出了一个两阶段的非参数算法,通过约束式探索方法首先学习因果结构的一部分,然后使用条件相对皮尔逊散度估计来识别变点。在合成和现实数据集上的实验验证了我们方法的正确性和实用性。
Jul, 2024