符号回归中最优生成树重建
对于一个具有未知权重的图,如果我们知道一些节点子集关联的最小 Steiner 树,那么我们能否找到一对节点的最短路径?本文研究了这样一个原型问题,称为具有任务转换的查询 - 决策回归,重点关注最短路径问题和最小 Steiner 树问题。我们提供了关于构建评分模型的可实现假设空间设计的理论洞察,并提出了两个有原则的学习框架。我们的实验研究显示,这样的问题可以在统计显著性的程度上得到较好的解决。
Feb, 2024
基于欧几里得空间中的数据,本研究提出了一个新的优化问题 ——“(分支)中心生成树”,它包含了之前提到的所有定义作为特例,并从理论和实践两个方面证明了(分支)中心生成树相对于数据中的噪声更具鲁棒性,并更适合以其骨架来总结数据集。此外,本研究还提出了一种应对 NP 难优化问题的启发式方法,并在生物学的单细胞 RNA 表达数据和植物的 3D 点云数据上进行了展示。
Apr, 2024
本篇研究提供一种改进的符号回归方法,利用 Pareto 最优化原理寻求最适合数据的公式,同时从神经网络的梯度属性中发现广义对称性,通过正常流将其推广到只有样本分布的概率分布上,并采用统计假设检验加速鲁棒性暴力搜索。
Jun, 2020
我们提出了一个图信号模型,并将信号恢复任务转化为对应的优化问题,通过交替方向乘子方法提供一般解决方案,然后展示了信号修复、矩阵完成、鲁棒主元分析和异常检测等都与图信号恢复有关,提供了相应的特定解决方案和理论分析,最后在在线博客分类、桥梁状况识别、温度估计、推荐系统和在线博客分类专家意见结合等实际恢复问题上验证了所提出的方法。
Nov, 2014
本文研究基于图信号的信号处理问题,提出了一种基于核回归的模型方法,能够有效地处理图信号的重构和估计问题,并通过多核方法的应用,解决了参数选择和滤波器自动选择的难题。
May, 2016
提出了一种用于跨度树模型推断的普适框架,该框架的算法包括第一和第二领域期望。这些算法易于使用,并且利用梯度与期望之间的基本关系,可以有效地计算多种量值,包括期望附加分数,熵和广义期望准则等。
Aug, 2020
研究一种学习针对回归问题的可解释表示的方法,将特征表示为由神经网络中常用的激活函数和其他基本函数组成的多类型表达树的网络。通过梯度下降来训练可微分特征,并利用特征在线性模型中的性能来加权每个表示子组件的变化率。该方法可以产生比梯度提升更小、在 100 个开源回归问题上的平均测试得分更高的表示。
Jul, 2018
从动态或行为数据中重建网络的一个基本问题在于以能够防止过拟合的方式确定最适合的模型复杂度,并生成具有统计合理边数的推断网络。与常见做法 L1 正则化结合交叉验证相比,本文提出了一种基于层级贝叶斯推断和权重量化的非参数正则化方法,该方法能够提高网络重建的准确性,并且不需要事先知道边的数量。特别是在关于大规模物种数量的微生物群落间相互作用网络重建方面,我们展示了该方法的应用,并演示了利用推断模型预测系统干预结果的能力。
May, 2024