- 一种解决低维 k-means 聚类问题的割平面算法
聚类是数据科学和机器学习中最基本的工具之一,k-means 聚类是最常见的方法之一。本文研究了低维数据实例的 k-means 问题,并将其表示为结构化的凸分配问题,利用低维结构解决大数据集的问题。该方法结合了全局优化理论的方法来加速处理程序 - IJCAI多智能体路径规划的可扩展机制设计
我们介绍了可扩展的多智能体路径规划的机制设计问题,并提出了三种不可否认策略的机制,其中两种甚至使用了近似的多智能体路径规划算法。我们在实际应用中测试了这些机制,问题规模从几十到数百个智能体。研究结果表明,与简单基准相比,它们可以提高整体效益 - 具有随时确定性保证的在线 POMDP 规划
通过简化解决方案与理论上最优解之间的确定性关系,解决了在计算上昂贵的部分可观测马尔可夫决策过程(POMDPs)困难,为自主代理在不完全信息环境下的规划提供了确定性界限。
- ICCV图匹配的融合移动
本文将多标签离散马尔可夫随机场中的融合移动技术应用到图匹配问题中,结合了最新的双重方法,证明了这种方法在速度和解决方案质量方面的显著优势。经过广泛的图匹配数据集实证评估,本文所提出的方法大幅领先于其他竞争者,成为了学科发展的一个新的标杆。
- WWWLSF-Join: 基于局部敏感过滤的偏斜分布下分布式全对集合相似性算法
提出一种基于局部敏感过滤的随机选择算法 LSF-Join,可以高效地在大数据集上以近似的方式查找所有匹配对,特别适用于高维数据集,解决了以往算法在大规模数据上无法适用的问题。
- DISCO: 影响力最大化遇上网络嵌入和深度学习
本文提出了 DISCO 框架,该框架集成了网络嵌入和深度强化学习技术以解决影响最大化问题。实验结果表明,相对于传统解决方案,DISCO 具有更好的效率和影响范围质量,并且表现出良好的通用性。
- 形式化纳拉斯的船:在线因果学习的近似算法
研究发现,认知过程会依赖世界模型的学习,而精确的贝叶斯推断成本随着关系数量的增加而急剧上升,因此表明基于前因后果关系的学习过程必须是相当近似的,而本文给出了一个基于 Neurath’s ship 比喻以及机器学习中的近似算法来探讨因果结构学 - Zig-Zag 进程和超高效抽样在大数据贝叶斯分析中的应用
本研究介绍了一种新的蒙特卡洛方法 —— 基于 Zig-Zag 过程的多维连续时间分段确定性马尔可夫过程,提出了一个子抽样版本的 Zig-Zag 过程,可以在不依赖于数据大小的计算成本下,实现估算后验分布。
- AAAISAT 问题的分布感知抽样和加权模型计数
本文介绍了一种新的方法,使用黑箱预言机,通过 NP-Oracle 实际求解带权重赋值的模型计数问题和分布感知的满足分配的抽样问题,从而在中等规模的问题上获得了强大的理论保证。
- 社交网络上的团队容量问题
本研究旨在解决团队组建问题,通过社交网络来形成一个既社交亲密,又能分配任务且无用户过载的团队,并借助 crawled millions 的 GitHub 数据集和近似算法找到高效团队。
- 大规模(脑)图匹配的快速近似二次规划
本文介绍了一种快速的近似二次分配算法(FAQ),能够更高效地在大数据和图值数据上处理 QAP 问题,通过在 C.elegans 连通图匹配案例上的实证表明其优越性。
- 子模函数学习:凸优化观点
本文从凸分析的角度介绍了子模函数,论述了子模函数最小化与各类凸优化问题的关系,提出了新的高效算法以及多种子模函数在机器学习中的应用。