提出了一种新的两步方法来推断随机分区模型的参数,允许可变推断任务的使用,并具有可重参数化梯度,能够在对参数进行端到端基于梯度的优化时克服先前方法的限制,本方法在三个具有挑战性的实验中显示出了它的通用性。
May, 2023
使用多元超几何分布以及变分自动编码器框架,本文提出了一种新的方法解决估计离散分布的挑战,并在极度欠采样的情况下进行估计。通过实证数据模拟和在自然语言处理和生物学领域的应用中的表现,我们证明了该方法的多样性和准确性。
Feb, 2024
本文介绍了用于两种基本高维学习问题的新型、计算有效和差分隐私算法:学习多元高斯分布和在布尔超立方体上学习乘积分布。我们的算法的样本复杂度几乎与这些任务的最优非隐私学习器的样本复杂度相匹配,表明隐私在这些问题上是几乎免费的。
May, 2018
提出了一种新的超图聚类技术,称为不均匀超图划分,其将不同的代价分配给不同的超图切割,证明了如果不均匀代价满足次模性约束,则不均匀划分产生了最优解的二次近似,并证明了在许多应用中可以获得显着的性能改进。
Sep, 2017
该论文提出了一种基于核函数的机器学习算法,可以通过对数据集的分组进行处理,采用独立同分布的样本集作为数据点,利用非参数估计器提取核函数特征从而实现多种分类、回归和异常检测等任务。
Feb, 2012
该研究提出了一种用于回归问题的监督层次狄利克雷过程模型(sHDP),并与另一种流行的回归模型进行了比较和评估,结果表明该模型适用于实际分类与回归问题中的数据集,并能够通过数据结构和标签联合学习,构建一种可预测性的分类聚类。
Dec, 2014
本文提出了一种通用的框架,以在任意 Lie 群上创建可重参数化密度,并提供了详细的从业者指南,展示了如何在面向 3D 旋转的定向群 $SO (3)$ 上使用归一化流创建复杂的和多模态的分布,其应用于具有离散和连续对称性的对象的姿态估计中展示了它们在实现现实情境下的不确定性估计方面的必要性。
Mar, 2019
本文提出了一种新的概率组成员身份的框架 PG-DRO,以解决现代机器学习模型易受特定样本组内平均相关性的干扰的问题,通过考虑软组成员身份而不是硬组注释,该框架可以灵活生成组概率,从而更好地适应样本组成员身份模糊的情况,并在图像分类和自然语言处理基准测试中得到了优越性能。
Mar, 2023
本论文提出了一种可以学习非线性数据特性的内核函数家族,该家族通过一种可学习的输入分区来改进先前的方法,并在各种主动学习任务中表现出出色的性能。
本研究通过样本的简化抽样学习了一个代表复杂模型的概率分布,该模型有广泛的应用范围,包括无监督学习,主题模型和协同过滤。
Apr, 2015