Jun, 2023

SiBBlInGS: 基于相似性驱动的跨状态图形构建块推理

PDF
TL;DRSiBBlInGS 提供了一种解释性方法，采用基于图形的字典学习方法发现建筑块，同时在数据中考虑了内部和内部状态之间的关系，并允许交叉状态变化，可以识别特定于状态的建筑块，提供了监督和数据驱动方法，以控制不同状态之间建筑块的相似性水平。
interpretable methodsbuilding blockstime seriesgraph-based dictionary learningsibblings
发现论文，激发创造
  • 稳定线性子空间识别：一种机器学习方法

    SIMBa 是一种使用反向传播的离散线性多步提前状态空间系统辨识方法家族，它通过引入 Schur 矩阵的基于线性矩阵不等式的自由参数化来确保辨识模型的稳定性。SIMBa 通常胜过传统线性状态空间辨识方法，并能在同时实现最先进的拟合性能和稳定性的情况下，承担更高的计算负担。

    Nov, 2023

  • 利用子图信息识别具有预测性的基础结构压缩模型

    通过引入信息瓶颈理论的设计，结合相似桥接原理和互信息估计式的互动，提出了一种新型的子图信息瓶颈架构来识别预测压缩的子图，成功去除了图数据中的噪音和冗余，具有高效和稳定性，得到了较好的优化结果和理论边界。

    Mar, 2021

  • DiBS: 可微分的贝叶斯结构学习

    本文提出了一个完全可微分的贝叶斯结构学习框架（DiBS），它操作在潜在概率图表达的连续空间中，并且对于局部条件分布的形式不加区分，允许联合后验推断图形结构和条件分布参数，从而直接适用于后验推断复杂的贝叶斯网络模型。使用 DiBS，我们设计了一种有效的通用变分推理方法，以近似结构模型的分布。实验结果表明，我们的方法在联合后验推断方面显著优于相关方法。

    May, 2021

  • SBI：基于模拟推断的工具包

    文中介绍了一种基于神经网络的 SBI 算法，能够利用科学原理通过黑盒模拟器进行精确推断，并解决了单一最优解的限制，从而实现全参数空间后验分布的估计。

    Jul, 2020

  • 使用图神经网络将基于代理的模型校准到微观数据

    该研究提出了使用时间图神经网络直接学习与微观数据相关的参数后验概率的方法，以进行 Bayesian 推断，并通过使用原始 ABM 微状态作为输出，提供高度引人入胜的归纳偏差。

    Jun, 2022

  • 双向束搜索：神经序列模型的前向 - 后向推理用于填空图像字幕生成

    开发 Bidirectional Beam Search（BiBS）算法来逼近推理双向神经序列模型中的 1-Best（和 M-Best）解码，并在可视化任务中验证该方法的高效性和效果。

    May, 2017

  • 个体和结构图信息瓶颈与超出分布泛化

    本文提出了一种名为 IS-GIB 的统一框架，旨在处理在图模型应用中常见的 OutOfDistribution 和类间关系问题。通过 Individual Graph Information Bottleneck（I-GIB）和 Structural Graph Information Bottleneck（S-GIB）来解决这些问题，并通过最小化互信息来消除不相关的特征和同时保持类之间的关系。在节点和图级任务上进行的广泛实验表明，IS-GIB 具有优越的泛化能力。

    Jun, 2023

  • SSIG：用于楼层平面图相似度的视觉引导的图编辑距离

    提出了一种基于图像和图形距离的评估指标 SSIG（基于 IoU 和 GED 的结构相似性），用于判断平面图的结构相似性，并开发了一种有效的算法，通过 SSIG 对大规模的平面图数据库进行排序。

    Sep, 2023

  • 基于过程导向案例推理的知情式机器学习改进相似性评估

    本文研究了将领域知识整合到用于过程导向的案例推理应用程序中的语义图相似性评估的 Graph 神经网络中的潜力，并通过一种特殊的数据表示和处理方法以及 GNN 的消息传递组件将知识整合到模型中，实验证明这种扩展的 GNN 可以提供更好的质量和较短的训练时间或同时具备两个优点。

    Jun, 2021

  • 具有相似性偏置转移的无限隐马尔可夫模型

    本文介绍了一个对层级狄利克雷过程隐藏马尔可夫模型 (HDP-HMM) 的拓展，它可以编码关于状态转换更可能发生在 “相邻” 的状态之间的先验信息，并通过在状态空间上定义相似度函数和通过成对相似度缩放转移概率，从而在转移分布之间引入相关性。该模型的数据增强表示形式被提出来，作为马尔可夫跳跃过程，其中有些跳跃尝试失败，而成功的概率与源状态和目标状态之间的相似度成正比。这种增强实现条件共轭并且简单地允许使用 Gibbs 抽样器。我们在扬声器日化任务和使用四部合唱数据的 “和声分析” 任务以及几个合成数据集上对模型和推理方法进行了评估，并与现有模型进行了有利的比较。

    Jul, 2017