跨度树分布下期望值的高效计算
使用张量代数,我们提出了一个隐变量模型的新参数化方法,用于计算观测变量的边缘值,并设计了一种基于张量操作和奇异值分解的本地最小化算法来学习这种参数化,这是首个能为低树宽潜在图模型提供一致参数学习技术的研究。
Oct, 2012
本研究提出了一种在 Kalman 平滑过程中应用的简单参数更新规则,将非共轭时空高斯过程模型中的近似贝叶斯推理公式化,包括大部分推理方案,如 EP、经典 Kalman 平滑器和变分推理,并提供了这些算法的统一视角。
Jul, 2020
本文研究了期望传播方法在广义线性模型下的渐近特性,并通过自由概率理论提出了一种计算复杂度更低的方法,对于具有渐近自由特性的数据矩阵可以有效应用于微阵列数据的基因选择问题。
Jan, 2018
研究论文探讨回归模型生成的问题,模型是原始函数的叠加,模型结构通过加权着色图描述,每个图顶点对应于某个原始函数,边赋予两个函数的叠加,边的权重等于叠加的概率,为了生成一个最优模型,需要从图邻接矩阵中重构其结构,所提出的算法从加权着色图重构最小生成树,本文提出了一种基于奖励收集斯坦纳树算法的新颖解决方案,并与其替代方案进行比较。
Jun, 2024
该论文提出了一种灵活的通用低秩张量估计问题的框架,包括计算成像、基因组学和网络分析等应用中的许多重要实例,并通过投影梯度下降的统一方法来克服这些问题的非凸性,以适应底层低秩结构,并证明该算法在估计误差的收敛速度上达到极小值最优率。
Feb, 2020
提出一种新的有效且可扩展的框架,用于在给定图形结构数据的监督节点分类任务中训练 GNNs。该方法通过在从输入网络提取的随机生成树线性化的一系列路径图上越来越细化的权重更新操作进行。在此过程中,路径图旨在保留原始图的基本拓扑和节点信息。同时,路径图的稀疏性使得训练更轻便,有助于缓解经典训练问题,如过度压缩和平滑。在许多真实世界图形基准测试中进行了广泛的实验研究,将该框架应用于图卷积网络,与众所周知的基线相比,同时提高了训练速度和测试精度。
Jun, 2023
本文提供一种新的算法来计算句子的依存距离期望值,在统计上足够准确,时间复杂度为 $n$。此外,文章还发现了星形树(star tree)在该算法中具有最大化作用,提出了一种可以找到最小化依存距离期望值的树的算法。
Jul, 2021
本篇文章研究依赖图的句法结构,针对平面的排列方法和投射的排列方法,分别提出了预期边长总和的计算方法,并用一个包含词语的句子来给出了平面排列的数量或生成平面随机排列的有效算法。
Jul, 2022
研究了给定预期度序列的加权图上最大熵分布。使用指数族分布的一般理论,导出了顶点参数的最大似然估计量 (MLE) 的存在和唯一性,同时证明了单个样本的 MLE 在大图极限下的一致性,以及推出了加权图的 Erdos-Gallai 准则和顶点势的独立边权。
Jan, 2013