分类聚合无需一致
本论文探讨了一种统计方法,利用专家的意见而无需真实的事实来推断每位专家的能力,并利用众人之智的原理测量每位专家的能力,进而提出一种完全无监督的朴素贝叶斯分类器的技术,并证明该技术在大类问题中是渐进最优的。同时,将该方法应用于大规模意见聚合、基于有限意见的决策制定。
Aug, 2023
本文研究了聚合函数的区分能力,特别是在受限制的情况下,研究表明标准的求和和一种新的基于直方图的函数具有区分固定数量输入的能力。在此基础上,设计了一个图神经网络,旨在学习判别性图表示以实现泛化;实证评估证明了这些选择对结构图分类问题具有益处。
May, 2019
通过引入新的代数结构 - 分类体,综合了有向无环图和三元条件独立结构,从而定义了一个新的方法来表示条件独立性,并使用函子和单子来抽象地描述条件独立性的图形和非图形表示的忠诚度。
Aug, 2022
研究了多种选型模型并提出了三种新的程序来实现强的调整规则,利用随机适应性和最大化所有可行排序模型对结果的支持,对具有不同复杂性的问题实例进行了性能验证以评估欧洲城市绿色绩效。
Aug, 2022
本文提出了一个概率框架,将多实例学习扩展到多类分类和回归等其他问题,并引入一种新的一致性概念来表征估计器,证明了在温和的假设下具有良好的收敛性。实验证明,该方法在三种问题设置中具有有效性。
Apr, 2020
本论文提出一种有监督的集成分类算法,旨在确定训练数据(例如,具有已知标签的项目)中可靠的标注者(即加权因子),使用马鞍点算法来确定每个标注者的可靠性,研究结果表明,有监督的方法可以比无监督的方法获得更好的分类准确性,而我们提出的方法优于其他算法。
Jul, 2015
本篇论文构建了一个 studying framework,用于研究对聚类方案的各种结构限制,其中固定性这一概念是指当数据集变化,如添加点或应用函数时,应能够比较聚类算法的结果。在此框架内,我们证明了定理,其中获得了存在性和唯一性定理,同时得到了满足某些条件的所有聚类方案的完全分类,这种条件是指引理认为聚类是连通分量的统计版本。通过变化方案所需的函子性的程度,可以构建更丰富的聚类方案家族,以体现对密度的敏感性。
Nov, 2010
该研究提出了两种基于机器学习的聚合方法和新的聚合方法 “Devil's-Advocate aggregator”,可以显著增加成功聚合的案例百分比,同时展示了元认知特征工程和 Devil's-Advocate aggregator 的重要性。
Apr, 2022