- 结构平衡的多组分多层神经网络
本研究提出了一种平衡的多组分和多层神经网络(MMNN)结构,用于以自由度和计算成本为代价在准确性和效率方面逼近具有复杂特征的函数。通过引入平衡的多组分结构,MMNN 相较于完全连接的神经网络(FCNNs)或多层感知机(MLPs),在训练参数 - ICMLMates2Motion:学习机械 CAD 集成组件的工作原理
利用深度学习技术对 CAD 表示的机械组件之间的自由度进行推断,通过重新定义配合移动方法以及缩小可能运动的轴线范围,并通过用户研究创建了带有可靠标签的动作注释测试集。
- IJCAI谱修剪:通过谱分析压缩深度神经网络及其广义误差
为了高效执行边缘计算设备上的深度学习系统,我们提出了一种新的理论框架来模型压缩并提出了一种称为 “谱剪枝” 的新的修剪方法。我们通过使用协方差矩阵在内部节点上的特征值分布来量化模型的内在维度,并表明压缩能力本质上由此控制。此外,我们提供了压 - 深度神经网络的自由度
本研究探索了深度 S 形神经网络中的可自由度。我们发现可自由度与期望乐观主义 (即测试误差和训练误差之间的期望差异) 有关。我们提供了一种高效的 Monte-Carlo 方法来估计多类分类方法的可自由度。我们发现在一些实际数据集上,深度网络 - 凸聚类的统计特性
本文研究了凸聚类的统计特性,将其与单链式聚类和 $k$- 均值聚类密切相关,建立了凸聚类的调参范围、提供了自由度的无偏估计和预测误差的有限样本界限,并在模拟研究中与某些传统聚类方法进行了比较。
- 自由度与模型搜索
该论文考虑了在统计建模中十分重要的自由度问题,并针对正交预测变量的最佳子集选择问题推导出了精确的自由度表达式。同时,提出了自适应回归算法的搜索自由度概念,最后进一步探讨了反常函数的 Stein 公式在自由度和搜索自由度计算中的潜在作用。
- 多元回归中降秩估计量的自由度
研究了降秩估计器在 Stein 的无偏风险估计中的自由度和模型选择问题,并提出了一种能够提高预测风险估计和模型选择精度的闭合形式估计器。
- 两跳无线网络的自由度:人人都能分享整个蛋糕
本文提出了一种名为对齐网络对角化(Aligned Network Diagonalization)的可行性方案,该方案区分了源传输的数据流并使其自由干扰接收者,解决全连接两跳无线网络在时间变化和常数情况下的自由度问题。此外,本文还将方案扩展 - 低秩核矩阵近似的尖锐分析
本文研究了在正定核框架下的监督学习问题,提出了基于随机矩阵列采样的核矩阵低秩近似方法,此方法可以在 sub-quadratic 的时间复杂度内有效解决核矩阵计算问题,同时保持预测性能不变。
- 一种用于层次交互的套索方法
本文研究了在 lasso 模型中添加凸约束来生成稀疏交互模型,从而满足交互限制,并给出了关于这种层级约束的精确特征描述和无偏估计,同时还提出了偏差度量方法,并针对算法提出了几点优化方案。
- 一般设计矩阵下 Lasso 的自由度
本文研究了线性回归模型的惩罚 L1 最小化(也称为 Lasso)的自由度(DOF),给出了 Lasso 响应的 DOF 的闭合形式表达式,证明了在任何给定的 Lasso 正则化参数 λ 和任何观测数据 y 属于完整集(勒贝格)测度的情况下, - Lasso 问题中的自由度
该研究推导了套索拟合的自由度,对预测矩阵和惩罚矩阵没有任何假设,结果以套索解的活跃集为基础,扩展到了任意预测矩阵和任意惩罚矩阵的广义套索拟合。
- 广义 Lasso 的解路径
本文提出了一种计算广义套索问题路径的基于对偶问题的算法,能够解决广泛的应用场景,并通过对 $I$ 的情况,与 LARS 算法建立联系,并导出了广义套索拟合的自由度的无偏估计,该估计在很多应用中都非常直观。
- 套索法的 “自由度
本研究通过 Stein 无偏风险估计(SURE)来探究 lasso 的有效自由度,结果表明非零系数的数量是 lasso 的自由度的无偏估计量之一,不需要特殊的预测假设,并且该无偏估计量被证明是渐近一致的。结合 C_p、AIC 和 BIC 等 - 量子场论
本文讨论量子场论的基本原则,并尝试确定其最深远的影响,最深远的影响来自于实现局域性所涉及的无限自由度。作者列出了它的一些最引人注目的成功,包括已经实现的和有前景的成功,并在历史的光辉下,讨论了量子场论的可能局限性。