- SeNM-VAE:具有层级变分自编码器的半监督噪声建模
该研究提出了 SeNM-VAE,一种半监督噪声建模方法,利用配对和非配对数据集生成逼真的退化数据。通过特殊设计的图形模型对退化和清晰图像的条件分布进行建模,在变分推断框架下开发了处理配对和非配对数据的客观函数。我们将该方法应用于真实世界的图 - 通过概率图模型理解团队崩溃
通过开发一个图形模型来捕捉团队动力,我们研究团队崩溃现象的计算模式,找出其主要原因,并提供建立弹性团队的原则。最后,我们利用这个模型分析 NBA 团队的结构和各种比赛情况。
- 高维系统高效推理的高斯集成置信传播
高维模型中的高效推理是机器学习中的一大挑战。本文介绍了高斯集成信念传播算法(GEnBP),它是集合卡尔曼滤波器和高斯信念传播方法的融合。GEnBP 通过图模型结构中的低秩局部消息传递来更新集合,结合了每种方法的优点,能够处理高维状态、参数和 - 基于熵的最大祖先图快速评分搜索算法
在这篇论文中,我们提出了一种使用经验熵估计和最新提出的『精确马尔可夫性』的 imsets 框架对最大祖先图进行评分的方法。我们的图搜索过程类似于 Claassen 等人的方法,但根据我们的理论结果进行了改进。通过限制节点数、最大头节点大小和 - 大型语言模型为何能生成准确的思路连贯?
本文研究了大型语言模型(LLMs)的能力,特别关注于推进链式思维提示的理论理解。我们探究了如何有效诱导 LLMs 生成连贯的思维链条。为实现此目标,我们引入了一个适用于自然语言生成的两级分层图模型。在这一框架下,我们建立了一个具有吸引力的几 - 关于充分图模型
将非线性合适降维技术应用于条件独立性评估,引入了一种足够的图模型,该模型在本质上是非参数的,避免了高维核函数引起的维度灾难;通过模拟比较和对 DREAM 4 挑战数据集的分析,证明了该方法在高维设置下,且当高斯或 copula 高斯假设不成 - 神经过程中推理结构的利用
本研究提供一个框架,允许神经过程(NPs)的潜变量被赋予由图形模型定义的丰富先验。将分布假设直接转化为上下文集合的适当聚合策略,并通过消息传递过程进行端到端优化。使用混合和学生 - t 假设证明了该框架的普适性,从而提高了函数建模和测试时的 - 神经电位传递用于高阶依存句法分析
本研究提出了一种使用双仿射算法将双仿射神经评分传播到图模型中的高阶依存分析方法来提高一阶依存分析器的精度。
- 虚假信息和事实核查生态系统的图形模型
该研究提出了描述复杂的虚假信息与事实核查生态系统的图形模型,该模型可用于研究在线虚假信息和事实核查的效果,易于实践者和研究者使用,传统媒体和用户生成内容也在多种语境下涉及。
- ICMLSG-PALM: 一种快速可解释的张量图模型
提出一个名为 SG-PALM 的新的图形模型推理过程,用于学习高维张量变量数据的条件依赖结构,其具有可解释性和计算可扩展性;通过对恒河岸生成模型的基础进行建模,使其具有物理可解释性;通过快速的近端交替线性化最小化(PALM)过程,保证其可扩 - 多智能体影响图的均衡优化:理论与实践
本文介绍了多智能体影响图的基础概念,引入了子博弈的概念和博弈均衡。同时,证明了多智能体影响图和全局博弈图之间的等价性,并描述了一种开源的实现方法。
- ICML从信息理论的角度构建生成模型框架,学习有结构的潜在因子和相关数据
本文提出了一种新的框架来学习具有所需结构属性的多元数据的可控和通用表示,该模型利用图模型中的掩码变量表示归纳偏置,并扩展多元信息瓶颈理论来强制执行结构依赖性,从而提供原则性方法来学习一组语义上有意义的潜在因素,其反映了各种类型的期望结构,如 - 因子图上基于神经网络的增强置信传播
本文提出了一种新的混合模型,将因子图神经网络与置信传播结合起来,通过每一次迭代交替地运行,从而在误差纠正编码任务方面优于置信传播。
- 基于图模型的领域适应问题推断
本文基于数据驱动的无监督域适应,提出使用图形模型作为联合分布变化特征的紧凑表示,并将域适应视为贝叶斯推理问题,区分分布的常变模块并指定跨域之间的变化属性,进而为推导目标变量 $Y$ 的后验分布提供 先验知识,该框架证明适用于合成和真实数据的 - 贝叶斯网络学习教程
本文探讨了贝叶斯网络的构建方法,阐述了利用数据构建模型的统计方法,以及学习贝叶斯网络参数和结构的技术,最终通过一个实例来论证了贝叶斯网络在实际中的应用。
- 基于条件图逻辑网络的反合成预测
本文提出了一种新的基于条件图逻辑网络的化学反应逆向设计方法,使用图神经网络隐式考虑反应是否在化学上可行和策略性,并提出了一种有效的分层采样,成功将当前现有方法的性能提高了 8.1%。
- 结合生成和判别模型的混合推理
提出一个新的混合模型,该模型将图推断与学习逆模型相结合,用于 Kalman 滤波器并通过交叉验证来平衡图推断和学习推断的工作量,实验表明,该模型可以比独立运行的学习或图推断更准确地估计失真的 Lorenz 吸引子的轨迹。
- ICCV基于上下文连接的无约束视频人脸识别轨迹不确定性建模
本文中,我们提出了一种名为 “Uncertainty-Gated Graph(UGG)” 的图形模型,用于在视频中进行人脸识别并在最近公开的具有挑战性的 Cast Search in Movies 和 IARPA Janus Surveil - CVPR使用结构和部分观测推理视觉对话
本文提出了一种新的模型来解决复杂的视觉对话结构问题,并将其明确地形式化为具有部分观察节点和未知图结构(对话中的关系)的图形模型中的推断问题。通过期望最大化算法,我们可以在推理过程中推断出潜在的对话结构和所需的答案值,并提出了一种可微分图神经 - 极化 + RGB 立体对视图像的深度测量
提出了一种混合深度成像系统,利用极化相机辅以标准数字相机的第二张图像,通过立体提示结构,使用高阶图模型实现去混淆极化表面法线估计,并利用先前的极化成形方法扩展至透视情况,从而计算稠密详细的绝对深度图。