- 评估 LSTM 网络中协变量预测的有效性用于时间序列预测
LSTM 网络在时间序列预测任务中表现出色,但是在集成未来、依赖时间的协变量方面的结构不够灵活。本研究通过引入高度相关的协变量到未来时间步的人工时间序列数据集中,评估了 LSTM 网络在考虑这些协变量时的性能,并将其与单变量基线进行了比较。 - 回到未来:基于图神经网络的 NO₂未来协变量预测
通过空气质量监测站的城市网络,使用时空图神经网络 (STGNN) 对过去和未来协变量进行建模和估计,提出了一种新的 NO2 浓度预测方法,并发现未来天气信息的影响比过去交通条件更大。
- 带潜变量的套索:高效估计、协变量缩放和计算统计差距
稀疏线性回归中的相关性以及智能缩放解决方案
- ICLR基于图的稀疏和部分多变量观测的虚拟传感
通过利用虚拟传感技术,结合时空测量,建立一个基于图的深度学习框架 GgNet,通过学习变量和位置之间的依赖关系以及利用相关变量来插值,从而获得比现有技术更高的重建准确性。
- 上下文视觉转换器用于稳健表征学习
提出了一种称为 Contextual Vision Transformers (ContextViT) 的方法,能够为表现出分组结构的图像生成稳健的特征表示。该方法使用额外的上下文令牌来编码组特定信息,并将其附加到输入图像令牌中,从而使模型 - 部分丢失的多组学协变量数据的预测方法:文献综述和实证比较研究
本文研究使用多组学数据作为协变量自动预测结果的方法,提供了现有预测方法的文献综述,并使用 13 个公开的多组学数据集比较了这些方法的预测性能,讨论了这些比较性研究的结果和初步结论。
- ICML可分解共变移位的域自适应
该论文提出了一个新的处理从共变量和标签中引入偏差的方法(Factorizable Joint Shift, FJS),并提出了一种新的联合重要性对齐(Joint Importance Aligning, JIA)的方法来获得用于监督和无监督 - 神经表征的广义形状度量
为了理解生物和人工神经网络的操作,研究者们需要一个标准化的工具集来量化其结构等因素对神经表征的影响,这篇论文提出了一族量化表征不同神经网络之间相似性的度量空间,利用这个框架使得神经网络表征可以整合进任意的机器学习方法中,然后利用大规模生物和 - 用于治疗效果估计的不变表示学习
研究发现,处理观测数据的因果推断的主要难点是协变量的存在,虽然调整协变量可以削弱混淆效应,但错误的调整处理或包括不良控制变量可能导致偏差。为了解决这个问题,该研究开发了一种称为 Nearly Invariant Causal Estimat - 计算和统计效率的截尾回归
本文提出了一种高效的估算器以应对截断线性回归问题,并通过实验数据验证了其准确性。
- KDD基于条件公平性的算法决策
讨论了公平性问题,使用条款对算法进行了不公平度的度量,使用公平变量定义更声公平的公平模型,并提出了可嵌入任何决策模型的可导出条件公平正则化器(DCFR)。
- 广义线性赌博机中最佳臂的识别
针对广义线性赌博机的最佳臂识别问题,提出了第一个算法,并在模拟中评估其性能和采样效率。该算法旨在最小化确定足够接近最佳臂所需的臂拉取次数。
- 具有延迟奖励的上下文多臂赌博机的随机分配与非参数估计
研究带有协变量的多臂赌博问题,在可能存在奖励延迟的情况下,通过对延迟的概率分布进行一些温和假设,并使用适当的随机选择武器策略,证明了该策略的强一致性。
- 无约束人脸验证中协变量影响的实验评估
该文章主要探讨不受限制的人脸验证中的一个问题:协变量如何影响深度卷积神经网络在大规模人脸验证问题上的性能,并介绍了如何利用性别信息来改进预先筛选的大规模人脸数据集的性能.
- 基于模型的网络群聚类
我们提出了一种基于广义线性(混合)模型的基于模型的聚类方法,用于描述网络人口的联合分布并识别共享某些感兴趣的拓扑性质的网络子人口,最大似然估计可通过 EM 算法实现。
- ICMLCoVeR:使用张量分解学习协变量特定的向量表示
CoVeR 是一种新的张量分解模型,可以有效地学习向量嵌入和其相关协变量,同时具有解释性,通过实验验证获得了很好的效果。
- 通过条件协方差最小化进行核特征选择
提出一种基于核独立性度量的特征选择方法,通过约束优化问题中的条件协方差算子的痕迹,选择预测响应的最大子集,证明了该方法的一些一致性结果,并证明了我们的方法在各种合成和实际数据集上具有与其他最先进的算法相比的优势。
- 将观测与实验数据结合以查找异质性治疗效应
提出了将实验性数据与观测性时间序列数据相结合的方法,以估计异质性处理效应,应用于 Facebook 页面推荐。
- 高维误差变量模型中的线性和锥形规划估计器
本文研究考虑设计误差的线性回归模型,针对在实践应用中常见但引入噪声的自变量情况,提出了一种基于稀疏性假设的估计方法,并指出该方法在极小化期望风险下是近乎最优的。所提出的估计方法可以通过解线性规划问题实现高效计算,同时具有达到极小化效率界的估 - Lasso 方法的预测表现
本文通过对多元线性回归的研究,提出了一种简单的相关度量方法,将其结合到 Lasso 模型的参数调整中,从而使得在高度相关的协变量情况下,Lasso 模型的预测性能接近最优,但在中度相关的情况下,无论调整参数如何,预测性能都会比较平庸。此外,