- 一种基于变分贝叶斯方法的高维线性回归中低维参数去偏推断
研究中提出了一种可扩展的变分贝叶斯方法，用于对稀疏线性回归中高维参数的一个单一或低维子集进行统计推断，通过对干扰坐标进行均场近似和谨慎地对目标的条件分布建模，只需要预处理步骤，保留了均场变分贝叶斯的计算优势，同时确保了对目标参数以及不确定性 - 具有异构分布式差分隐私约束的非参数回归的最优联邦学习
该论文研究了在分布式样本中进行非参数回归的联邦学习，其中每个样本服务器都遵守不同的差分隐私约束。在考虑到不同服务器的变化样本大小和差分隐私约束的异构设置中，该论文同时考虑了全局和逐点估计，并建立了在 Besov 空间上的收敛最优速率。通过提 - 潜变量网络模型的迁移学习
我们研究潜在变量网络模型中的迁移学习。我们提出了一种利用图距离排序的高效算法，用于估计给定潜在变量的边缘概率矩阵 $P$ 和 $Q$，并在没有假设源网络和目标网络参数形式的情况下实现了 $o (1)$ 的估计误差，并在随机块模型中证明了极小 - 空间自回归模型的迁移学习
本文提出了一种新的转移学习框架，借助相似的源数据改善空间自相关模型的估计和预测精度，包括一个转移阶段和一个去偏阶段的两阶段算法用于估计未知参数，并建立了相应估计器的理论收敛速度；如果不知道哪些源数据需要转移，提出了一种基于空间残差自助法的可 - 动态局部平均治疗效应
动态治疗方案中的非合规问题的非参数识别、估计和推断
- MatFusion：一种用于 SVBRDF 捕获的生成扩散模型
我们将从照片中估计 SVBRDF 作为一项扩散任务，并使用一种新颖的无条件 SVBRDF 扩散基础模型 MatFusion 对分布具有空间变化的材料进行建模，然后通过条件扩散模型细化该基础模型以估计照片中的材料特性，并展示了我们的方法在不同 - 基于图神经网络的估计误差最小化的分散学习策略
在多跳无线网络中，通过分布式可扩展的采样和传输策略以及图神经网络结构，优化采样和远程估计研究的主要问题包括缓存并从其他代理处获得最新样本、无线冲突通道和各个网络节点之间的决策制定。
- 基于能量模型的准确 Shapley 值估计用于解释性深度学习预测建模
本文介绍了 EmSHAP（基于能量模型的 Shapley 值估计），它可以有效地近似预测模型在任意特征子集上的 Shapley 贡献函数的期望值。通过引入门控循环单元（GRU）将输入特征映射到隐藏空间，以消除输入特征排序的影响，并提出了动态 - 学习漂移离散分布的改进算法
我们提出了一种适用于在分布漂移下学习离散分布的新的自适应算法。
- 使用混合变分族集合提升不完整数据的变分自动编码器估计
研究了在数据不完整的情况下对变分自动编码器的估计任务，发现缺失数据增加了模型后验分布对潜变量的复杂性，从而影响了模型的拟合。通过引入两种策略（有限变分混合和基于插补的变分混合分布），解决了增加的后验复杂性问题。通过全面评估这些方法，结果表明 - CVPRFAR：灵活、准确和稳健的 6DoF 相机相对姿态估计
相机位姿估计的方法可以通过找到对应关系和解决基础矩阵的方式在大多数情况下提供高精度，而使用神经网络直接预测姿态的方法对于有限重叠的情况更加鲁棒，并能够推断出绝对平移尺度，但精度较低。我们展示了如何结合这两种方法的优点；我们的方法能够同时提供 - 关于多项式混沌展开的分数矩估计
本文提出了一种新颖的方法，通过多项式混沌展开直接从确定性 PCE 系数估计任意分数矩，应用于不确定性量化的各种任务，包括概率分布估计。在三个逐渐复杂的数值示例中，所得到的结果表明，与所呈现的标准拉丁超立方抽样相比，所提出的方法在估计响应分布 - 非齐次时变泊松过程的泛化与正则化学习
通过学习泛化问题，提出一种用于非齐次 Poisson 过程的正则化学习方法，解决了有限和有限数据的 NHPP 估计中过度拟合的问题。
- 带签名的多重网络：聚类与推断
该论文引入了一种有符号广义随机点积图 (SGRDPG) 模型，通过保留网络构建过程中边的符号，实现了更好的估计和聚类精度，适用于解决现实世界问题，如大脑网络分析。同时，通过采用新算法，论文确保等价或优于简单多层网络模型的准确性，理论保证与数 - 从硬件规格预测笔记本电脑用户体验
通过硬件规格预测设备用户体验在实际应用中的表现，对于厂商来说是一个常见的挑战。使用了梯度提升回归树模型，通过设备规格预测了在常见用户工作负载下的用户体验指标，并在数据集上达到了 97.8% 的拟合优度和 10.1% 的预测误差。
- TREET: 基于 Transformer 的传递熵估计
提出了一种基于 Transformer 的新系统，用于估计稳态过程中的传递熵。通过使用注意力机制进行神经估计，该方法借助 Donsker-Vardhan 表示来估计传递熵，并与现有方法进行了比较，同时还设计了估计传递熵的优化方案。最后，该方 - REMEDI：改进神经熵估计的纠正变换
通过简单、自适应的基模型的最小化和相对熵的估计，REMEDI 实现了高效且准确的差分熵估计方法，提升了信息论相关任务的准确性，并且在信息瓶颈方法中表现出更好的精度。
- 变分 Shapley 网络：基于概率的自解释 Shapley 值与不确定性量化方法
我们引入了一种新颖的、能够显著简化 Shapley 值计算的自解释方法，并且探索了将概率框架纳入其中以捕捉解释中固有的不确定性，它基于一个新颖的遮蔽神经网络体系结构，在模拟和真实数据集上的评估验证了我们技术的稳健预测和解释性能。
- 利用替代性结果进行连续治疗效果评估
在许多实际因果推断应用中，主要结果（标签）通常部分缺失，特别是如果它们昂贵或难以收集。本文研究了替代变量在估计连续性处理效应中的作用，并提出了一种双重稳健方法，以有效地将替代变量纳入分析中，该方法使用标记和未标记数据，并不受选择偏差问题的影 - 移动拼图游戏中的困难建模：基于玩家分析和模拟数据的不同方法的实证研究
游戏开发中，难度是玩家参与度的关键因素之一，本文通过模拟数据和队伍统计数据训练的人工神经网络是最准确的难度评估方法。