基于MAP和MLE的教学
研究了贝叶斯网络中 MAP 问题的复杂性,发现即使 MPE 和 Pr 可以轻松计算,MAP 仍然很难。为了找到一个接近最优解的算法,提出了一种通用的 MAP 近似框架,并给出了两个具体的实现,用于对那些即使 Pr 和 MPE 都难以计算的网络进行近似。实验结果表明,这些算法比标准技术提供更好的解决方案,并在许多情况下提供准确的 MAP 估计。
Jun, 2011
该论文介绍了一种新的、简单的MAP解的概率上限,并使用该上限提出了一种分支定界搜索算法,能够准确高效地解决一些网络的MAP问题,这些网络的约束树宽度超过了40。
Oct, 2012
本文研究了贝叶斯网络中最可信赖实例化的计算问题,证明在多种情形下该问题为NP完全问题,在多叉树限制下也难以有效近似,采用置信传播的局部搜索方法可提供较准确的估计。
Dec, 2012
提出了一个针对贝叶斯模型学习者的最优教学框架,旨在平衡学习者未来损失和教师努力的优化问题,此优化问题在一般情况下很难,但在学习者使用共轭指数族模型的情况下,提出一种近似算法来找到最优教学集,该算法优化了聚合充分统计数据,然后将其解包成实际的教学示例,给出了几个例子来说明该框架。
Jun, 2013
该研究探索了算法机器教学中的不同教学模型和复杂度量度以及它们之间的联系,并提出了一种通过偏好函数刻画教学过程的新框架,通过比较不同的偏好函数诱导出的两种教学模型,即最强的批处理模型和较弱的顺序模型,并鉴别出诱导出VC维度为线性的新型顺序模型的偏好函数,其复杂度结果比最佳批处理模型的VC维度的复杂度结果是二次的得到了十分有力的补充。
Oct, 2019
本文介绍一种Gaussian协变量泛化的teacher-student模型,可以在固定特征映射生成的不同空间中进行操作,可以捕捉广泛的现实数据集的学习曲线,并证明了渐近训练损失和泛化误差的严谨公式,讨论了该框架的能力和局限性。
Feb, 2021
使用神经网络时,参数空间最大后验估计(MAP)推断会导致病态解,但通过直接估计模型和数据所隐含的最可能函数,可以获得更平坦的最小值、更好的泛化性能和更强的抗过拟合能力。
Nov, 2023