AAAIFeb, 2022

有效可靠的结构化输出概率交互学习

PDF
TL;DR本文研究基于交互式的学习方式，探讨以 active learning 和 skeptical learning 为主要方向的标签未知和标签噪音的情况下，采用确保可靠和高效运算的具有表现力的概率模型来衡量不确定性，在此条件下，我们研究认证了一类概率模型 CRISPs，以确保保持表现力的同时，可以实现上述量的可计算性。此外，我们展示了如何利用 CRISPs 在大型结构输出空间中实现鲁棒和高效的 active learning 和 skeptical learning。
发现论文，激发创造
  • 鲁棒交互式学习

    本文提出了一种对标准主动学习模型进行延伸的模型，其中允许一种更一般类型的查询，即类条件查询。本文研究了这样的查询在两种已知噪声模型下的表现，给出了对于一般性不可知设置和有界噪声模型下的查询量的近乎严格的上下界，并表明我们的方法可以针对（未知的）噪声率进行自适应调整，而只有忽略不计的查询复杂度损失。

    Nov, 2011

  • 关于富标签主动学习的证据不确定性

    本文提出了两种策略，Klir 不确定性抽样和证据认知不确定性抽样，以降低模型的不确定性并扩展可减少的不确定性到证据框架，从而解决活跃学习中的探索 - 开发问题。

    Sep, 2023

  • 在互动约束获取中学习学习

    通过使用概率分类模型指导交互式约束获取，以生成更有前景的查询，本研究通过收缩约束获取与机器学习的联系来缓解查询数量的限制。在不同分类器的实验评估中，本方法远超过现有技术，减少了收敛所需的查询数量最多达 72%。

    Dec, 2023

  • 结构化预测的对抗性约束学习

    本研究提出了一种基于约束学习的半监督学习方法，利用黑盒模拟器生成未标记数据进行训练并通过对抗训练实现生成模型的训练，提高模型在多种任务上的表现。

    May, 2018

  • 基于方差增强 PC-Kriging 代理模型的多限状态结构可靠性分析主动学习

    本文研究了主动学习方法用于在有限计算预算下高效选择训练样本的能力，同时保留与多个代理极限状态相关联的准确性。研究结果表明，可以通过在统一的主动学习方案中依次针对指定的多个限制状态函数来实现有效的均衡的计算预算管理。

    Feb, 2023

  • 使用稳健的特权概率学习推断人类活动

    本论文提出了一种称为 LUPI-HCRF 的模型，它将 LUPI 集成到隐藏条件随机场模型中，并使用学生 t 分布来增强对离群值的建模。实验结果表明，该方法在识别人类活动方面具有较好的性能，优于现有的 LUPI 框架。

    Aug, 2017

  • 多重好处：在线监督学习中的稳健模型选择

    本文提出一种能够在线预测的算法，能够在概率和对抗性设置下与未知复杂度的情境树专家相竞争。通过将结构风险最小化的概率框架纳入现有的自适应算法中，我们不仅可以稳健地学习存在随机结构的同时获得正确的模型阶数，并取得了能够与拥有强侧面信息的最优算法竞争的遗憾边界，从而提供了对模型和随机性同时适应性的第一个具体保证。

    May, 2018

  • 概率电路的人类联合学习的统一框架

    基于概率电路，借助领域知识进行参数学习的新型统一框架，能够有效高效地优化数据驱动学习方法，并在多个基准和真实数据集上取得优异性能。

    May, 2024

  • 可处理的结构学习不确定性

    本文介绍了一种名为 TRUST 的框架，利用概率电路表示后验信念，通过推理查询可以更好地捕捉有向无环图（DAG）的空间，进而提高结构推断质量和后验不确定性，并在条件查询中展现了 TRUST 的实际效用。

    Apr, 2022

  • 通过因果表示进行可重构智能表面联合学习游戏

    本论文提出了一种基于因果关系学习和不变风险最小化的 Reconfigurable Intelligent Surface 相移配置方法，通过多个神经网络模型在不同环境下预测最佳相位值并实现了 15% 的预测精度提升。

    Jun, 2023