- 节点属性随机块模型的精确恢复与 Bregman 硬聚类
该研究论文以网络聚类为主题,探讨了基于节点属性和网络信息的高性能聚类算法,并通过信息理论准则建立了节点属性和网络信息交换的精确恢复标签的关系,提出了一种迭代聚类算法以最大化联合似然函数,并通过数值实验验证了该算法的优越性。
- 从下而上何时在层次社区检测中优于从上而下?
本文介绍了一种基于 自上而下 (top-down) 算法 的层次聚类的算法;通过实验,发现了这种算法与传统的 自下而上 (bottom-up) 的算法相比,可以更好地恢复精细的社区结构,并可在模型的中间层次上取得信息学门槛下的恢复。
- 同簇 Oracle 下有限集合划分的容错精确查询学习
本文通过访问同簇 oracle,在有界对手误差的情况下,着手研究仅通过主动学习来精确恢复分区的问题。我们首先强调了学习分区和相关聚类之间的新颖联系。然后,利用这种关联建立了一个 Rényi-Ulam 样式的分析框架,并证明了该问题最坏情况下 - 循环边消息传递的鲁棒群同步
我们提出了一个用于解决团体同步问题的一般框架,在拥有敌对或均匀污染和足够小的噪音的情况下,我们采用了一种新颖的消息传递过程,利用循环一致性信息估计了组比率的污染程度,从而解决了我们的同步问题。
- 基于双分图随机块模型的改进聚类算法
该研究提出了一种基于谱聚类算法的新方法,可在 Bipartite 随机块模型中使用多项式时间算法实现精确和几乎全面的节点分区恢复,并改进了条件以使用现有算法进行近乎完全恢复,以及使用种植可满足问题与 BSBM(Bipartite 随机块模型 - AAAI几何块模型中的主动学习
本文研究了几何块模型中的主动学习问题,提出了两个结合不同标签查询策略的主动学习算法。我们的主要贡献在于展示了在一些场景下,取极少量的节点标签进行样本探索就能精确恢复社区结构,并在真实和合成数据集上验证了我们算法的卓越性能。
- 非负 Rank-1 健壮主成分分析不含虚假局部极小值的确切保证
采用 Burer-Monteiro 方法,论文提出一种较少变量的非凸非光滑优化问题形式的低维对称和非对称正秩 - 1 RPCA,其具有良好的景观和不会有虚假的本地解决方案,保证了精确恢复真实主分量的强大确定性和概率保证。
- 稀疏系统辨识问题的样本复杂度
本研究提出了一种稀疏系统辨识方法,使用一个稀少的输入 - 状态数据样本来确定系统的动力学,并确保仅仅需要多项式阶数数量的样本即可精准还原系统的稀疏结构。这一方法已经在多个实验中证明了其效用。
- 低秩矩阵线性恢复的随机方差减少梯度下降
本研究探讨通过非凸优化从线性测量(即矩阵感知)中估计低秩矩阵的问题,并建议了一种有效的随机方差减少梯度下降算法来解决此问题。我们的算法适用于有噪声和无噪声的情况。在有噪声的情况下,我们证明了该算法在最小化统计误差方面以线性速率收敛于未知低秩 - ICML具有局部性的图中的社区恢复
本文研究在带有局部性质的图中恢复社区的问题,提出了一种算法,它在测量数量上近线性,并且能够实现恢复的信息理论限制。
- 正交匹配追踪精确支持恢复的严格条件
本文研究了通过正交匹配追踪 (OMP) 从嘈杂观测中恢复稀疏信号,证明了当任何大小为 K 的稀疏信号满足受限等距性属性 (RIP) 时,OMP 可以从噪声观测中 K 次迭代恢复信号的支撑,同时提出了严格的最小幅度约束条件。
- 使用 Renyi 散度在加权随机块模型中进行精确恢复的信息论下界
研究使用一种加权随机块模型进行社区发现,并使用最大似然估计法,通过测量社区成员的弦端点权重分布的 Renyi 散度确定最大似然估计的成功和失败的临界值;结果表明,这种方法有助于处理加权块模型中的社区发现,并能够将其推广应用于其他相关问题,如 - CVPR从二维特征点估计三维形状:凸松弛方法
本文提出了一种基于凸形式的方法,用于解决在单个图像中给定一组二维路标的情况下估计物体三维形状的问题,解决了现有方法中对于相机姿态和形状参数的联合估计需要解决非凸优化问题导致的初始化敏感性问题,本文方法能够恢复精确的三维形状且应用在人体姿势和 - 松弛化,无需四舍五入:聚类公式的整数性
该研究探讨了点云聚类问题的凸松弛的精确恢复条件,以 k-means 和 k-median 聚类为重点,并提供了理论分析和实验研究。
- 随机块模型中的精确恢复
本文讨论了随机块模型的精确恢复问题,提出了一个基于半定规划松弛的高效算法,并找到了一个能成功恢复社区的尖锐阈值现象,该算法可以在该阈值上成功地进行聚类。
- 从受审查的边缘测量中解码二进制节点标签:相变和高效恢复
利用半定规划及二元变量,针对含有噪声的观测变量和图的边缘矩阵进行数据重构和分析,可以对图中两个社区及其相关性进行分析与检测。
- 核范数惩罚和噪音下低秩矩阵完备的最优速率
本文研究迹回归模型,提出一种新的核范数惩罚估计器用于矩阵补全问题,并证明了其比以前的方法具有更快的收敛速度的预言不等式。最后,我们表明我们的程序提供了 $A_0$ 数据的秩的准确恢复。