关键词computational scalability
搜索结果 - 12
- 上下文神经网络：一种可扩展的多元模型用于时间序列预测
该研究提出了一种具有线性复杂度的 Context Neural Network 方法，可以有效地为时间序列模型提供和其邻近时间序列相关的上下文见解，从而丰富预测模型，解决全局模型的局限性，并且对于大型数据集具有可计算性可扩展性。
- 卷积神经网络在稳定学习任务中的可迁移性
这篇论文介绍了一种用于大规模空间问题的卷积神经网络（CNN）的高效训练的新框架，通过对于信号静态性质的研究，我们展示了在小窗口信号上训练的 CNN 能够在较大窗口上实现几乎相同的性能，理论分析支持该论点并给出了性能退化的界限，在多目标跟踪和 - ICML超越直觉，应用高斯过程于真实世界数据的框架
高斯过程在小型、结构化和相关的数据集上提供了一种有吸引力的回归方法。然而，它们的部署受到计算成本的限制，并且缺乏如何应用于复杂的低维数据集的指导。我们提出了一个框架，用于确定高斯过程在给定问题上的适用性，并建立一个强大且明确的高斯过程模型。 - MM无线网络中的协作学习：介绍性概述
本文主要关注跨无线设备的协作训练，分布式机器学习算法解决了数据隐私和计算资源分散利用的问题，但无线设备的异构性与通信限制也给分布式算法设计带来了挑战。
- 超级求解器：朝着快速的连续深度模型
本研究介绍了一种名为 Hypersolvers 的神经网络模型，能够以较低的计算成本解决 ODE 问题，在与 Neural ODEs 相结合的情况下，使得基于连续深度模型的实际应用成为可能，实验结果表明 Hypersolve 和 Neura - 用于分析全球环境数据的时空多分辨率逼近
本文提出了一种针对全球数据的时空建模扩展方法，将多分辨率逼近（MRA）方法与分区及复杂协方差模型拟合相结合，实现了可扩展的计算性能和灵活的协方差模型，为分析全球性数据提供了实用的策略。
- MMMatérn 核 RKHS 函数的采样优化
我们考虑在具有 Matern 核的再生核希尔伯特空间（RKHS）中优化函数的问题，该核的光滑度参数为 ν，域为 [0,1]^d，在带有噪声的强化学习反馈下，我们提出了第一个实用的算法，即 π-GP-UCB 算法，对于所有 ν> 1 和 d≥ - 多关系嵌入的类比推理
本论文提出一种基于类比原理的新型框架，用于大规模多关系嵌入中的潜在实体和关系的表示优化。该模型具有强大的理论能力和计算可扩展性，在基准数据集上显著优于大量代表性基线方法。此外，该模型提供了多个已知方法的优雅统一，可以证明是我们框架的特殊实例 - 高斯过程的变分傅里叶特征
本篇论文提出了一种组合变分方法和光谱表示的高斯过程近似算法，通过研究高斯过程的光谱特征和协方差，进行了相关推导和分析，并将该算法应用于 Matern 核和高维数据的处理中，结果表明该算法在计算速度和精度方面都表现出色。
- NIPSRETAIN：逆向时间注意机制用于医疗保健的可解释性预测模型
开发了一种基于二级神经注意力模型的逆向时间注意模型（RETAIN），用于应用于电子健康记录（EHR）数据，能在保持临床可解释性的同时实现高准确性，并在大规模健康系统 EHR 数据集上进行了测试，展示出与 RNN 和传统模型相当的预测准确性和 - 小批量谱聚类
采用自适应随机梯度优化的实用方法可以学习拉普拉斯矩阵的完整光谱，且每个迭代的成本与样本数量成线性关系，实验证明其具备比近似方法更好的计算可扩展性。
- 可验证的最优低秩因子分析
本文提出了一种基于半定规划的非线性的秩受限因子分析问题的最优化表述方法，并使用目前最先进的非线性优化技术提高了计算可扩展性，同时展示了在真实数据集上提高的精度。