具条件性随机门的情境特征选择
本研究为高维非线性函数估计问题提出了一种基于 Bernoulli 分布连续松弛和梯度下降的特征选择方法,通过最小化指示变量向量的 l0 范数,同时选择相关特征和最小化损失函数。这种方法在合成和真实应用程序中表现出良好的潜力,并提供了将伯努利分布结合到我们方法中的信息理论证明。
Oct, 2018
提出了一种新的基于马尔科夫链的生成随机网络(GSN)框架作为概率模型的训练原则,并通过具有反向传播的梯度来学习该链的转移算子,该理论提供了关于依赖网络和广义伪似然的有趣解释,试验结果验证了该理论在两个图像数据集中的有效性,并且在训练时不需要层次预训练。
Mar, 2015
该论文提出了一种新的概率模型训练原则 —— 基于学习马尔可夫链的转移算子,其稳态分布估计数据分布,并能采样出变量的子集。我们提供了一些定理以证明该方法的有效性,该方法也能适用于带有缺失变量的情况,并且不需要分层逐层预训练。
Jun, 2013
该研究通过为卷积层添加任务特定的门控模块,并使用稀疏性目标促进对有限内核集的选择,提出了一种解决序列学习问题的新框架,实现了在没有任务标签信息的情况下的持续学习,该模型的准确度明显优于现有方法。
Mar, 2020
提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络(C-qGAN),该神经网络结构严格在量子电路内,因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品,为进一步研究其他路径依赖期权打下了基础。
Apr, 2023
用条件 Gumbel-Softmax 作为方法,实现了对给定任务和深度神经网络模型的最佳特征子集的端到端学习,同时遵守特征之间的某些成对约束。我们通过将子集中每个特征的选择条件化为另一个特征来实现这一点。我们演示了如何使用这种方法来选择组成无线传感器网络 (WSN) 的任务最佳节点,同时确保彼此之间需要通信的节点之间的距离不会太大,以限制通信所需的功耗。我们在模拟的无线脑电传感器网络 (WESN) 上验证了该方法,解决了一项运动执行任务。我们分析了 WESN 性能随约束变得更严格时的变化情况,以及条件 Gumbel-Softmax 与启发式贪婪选择方法的性能比较。虽然本文的应用重点是可穿戴脑机接口,但所提出的方法可普遍应用于无线传感器网络的节点部署及其他应用中的受限特征选择。
Jun, 2024
本论文提出了一种上下文敏感的时态特征学习(CSTL)网络,用于步态识别,其中在三个尺度上生成时间特征,并根据来自局部和全局视角的上下文信息自适应地聚合它们。通过使用 transformer 实现全局关系建模和选取差异化空间特征的策略,显著提高了步态识别的准确性。
Apr, 2022
该论文提出了一种基于全局上下文动态调整卷积层权重的上下文门控卷积(CGC)方法,旨在更好地提取本地模式和生成区分特征,经过大量实验,该方法在图像分类、动作识别和机器翻译等任务上均有显著的性能提升。
Oct, 2019
通过使用因果治疗,本文提出了一种名为 CaST 的新框架来解决时空图预测中的时间分布外问题和动态空间因果问题,该框架通过建立结构因果模型来解析 STG 的数据生成过程,使用新的解缠结块通过反门调整来处理时间分布外问题,并利用前门调整和 Hodge-Laplacian 操作符进行边级卷积,以模拟因果效应的涟漪效果。在三个真实数据集上的实验证明了 CaST 的有效性和实用性,并且在解释性方面表现出色。
Sep, 2023