- 聚类路径高斯图模型
用 Clusterpath 估计器(CGGM)引入图模型中的变量聚类来解决变量增多的解释性和估计不确定性挑战,通过使用循环块坐标下降算法实现了 CGGM 估计器的高效计算,模拟实验和实际应用中 CGGM 在图模型中的变量聚类中超越了其他先进 - 非参数图模型的贪婪等价搜索
理论图形模型和贝叶斯模型选择的一个重要成就是 Chickering 和 Meek 提出的著名贪婪等价搜索(GES)算法。本文通过建立一般非参数 DAG 模型的一致性理论,证明了 GES 对满足马尔科夫因子化平滑性条件的 DAG 模型的结构估 - CAVACHON:一种用于整合多模态单细胞数据的分层变分自编码器
提出了一种新颖的概率学习框架,该框架明确地将多模态数据之间的条件独立关系作为一个有向无环图来考虑,用于集成单细胞多组学数据。
- 一个对不诚实赌场的反事实分析
通过引入结构因果模型,本研究使用线性规划方法求解在动态隐藏马尔可夫模型中与作弊有关的预期收益的界限,为因果推断中的反事实推断提供了限制,同时对教育背景下的反事实推断产生了积极影响。
- 异质图模型中的稀疏结构和社区的同时识别
在高斯图模型的框架下,我们引入一种新颖的分解方法,将基础图结构分解为稀疏部分和低秩对角块(非重叠社区),并提出一个三阶段估计过程以及快速高效的算法用于识别稀疏结构和社区。通过两种建模方式展示了这种分解的重要性,并在理论层面上建立了局部可辨识 - 分布式学习遇上图结构采样
该研究建立了 PAC 学习高维图模型与图结构计数和采样的新联系,使用在线学习框架,给出了新的样本复杂度界限以及面向树形和给定和弦骨架的贝叶斯网络的多项式样本和时间算法。
- 图学习的不确定性量化:一项综述
对图形模型中的不确定性进行量化的最新方法进行了概述,并将其组织为不确定性表示和处理方法,以加深对图形模型中不确定性量化方法的理解,从而提高其在关键应用中的效果和安全性。
- 基于需求的 LLM 模型生成:一项探索性研究
ChatGPT 能够从自然语言需求中生成 UML 序列图,但生成的模型在完整性和正确性方面存在挑战,尤其在需求不明确和不一致的情况下。此研究对要求工程领域中的大型语言模型的实际应用和有效的模型生成提示策略具有重要影响。
- 联合选择:自适应地整合公共信息与私密合成数据
jam-pgm 是一种扩展的自适应测量框架,能够在选择公共数据和私有数据之间进行联合,并将公共数据纳入基于图模型的机制,从而在公共数据分布存在偏差时,能够胜过公共辅助和非公共辅助的合成数据生成机制。
- 一些凸型消息传递算法的收敛到一个固定点
该研究提出了一种基于坐标下降的方法来解决图模型中的 MAP 推理问题,并证明了该方法的迭代会收敛到算法的一个固定点,且在 O (1/ε) 次迭代内达到精度 ε>0。
- 在保留解释的图扰动下的 PAC 可学习性
图形模型及图神经网络中的解释辅助学习和数据增强的研究,探讨了解释辅助学习规则和数据增强方法,以及它们在训练中的优势和限制。
- 量子退火用于计算机视觉最小化问题
这项研究探讨了基于量子退火的推断算法在计算机视觉离散能量最小化问题中的应用,特别关注了立体匹配作为一个重要的计算机视觉标签问题,并使用 D-Wave System 提供的混合量子 - 经典求解器来与文献中最好的经典推断算法进行比较。
- 飓风疏散行为的图模型
通过研究带有图形模型的其他因素与撤离决策的复杂关系,研究表明自然灾害、保护动机理论和风险感知是影响撤离决策的关键因素。
- 利用发散估计稳定 EEG 分类中的主体转移
我们提出了一种使用正则化技术来减少分类模型在未见过测试主题上性能下降的方法,并利用图形模型和神经网络模型来描述脑电图分类任务,并在大型基准脑电图数据集上进行了广泛的计算实验,发现我们的方法显著提高了测试主题的平衡准确性,并降低了过拟合。
- 使用贪婪的量子搜索学习受限玻尔兹曼机
我们提出了相应的量子算法来解决 Restricted Boltzmann Machines 结构学习问题,并证明这些算法相对于经典算法在这两类 RBMs 的结构学习中具有多项式加速。
- 深度网络作为去噪算法:在高维图模型中有效学习扩散模型
利用深度神经网络来近似评分函数的效率在基于扩散的生成建模中进行了研究,我们观察到评分函数可以通过变分推断去噪算法在图模型中得到较好的近似,同时这些算法适用于高效的神经网络表示,通过示例验证了这一观察,并结合离散化误差界限为基于扩散的生成建模 - 总变差距离估计像概率推断一样简单
通过图模型和概率推理,本论文建立了总变差距离的新连接,提出了一种有效的降维方法,实现了对有界树宽的贝叶斯网分布进行总变差距离的估计。
- 通过高效算法学习结构稀疏的 Hub 图 Lasso 模型
图形模型中的算法通过引入一个两阶段算法来高效估计中心节点图形模型,在高维任务中执行时间减少 70%以上,同时仍然实现高质量的估计。
- 高维观测下的潜在子群变化预测
本篇论文提出了一种新的图形模型预测方法,使用潜在偏移自适应性,利用最近提出的概率无监督学习框架来从图像中识别因果潜在结构,以适应和预测已知的源环境和未知的目标环境,结果显示本方法的高维图像数据集具有良好的预测性能。
- 具结构离散表示的深度生成模型的无偏学习
通过将图形模型与深度学习架构组合,我们学习具有两种框架优势的生成模型。我们提出了学习 SVAE 的新算法,并首次证明了 SVAE 处理丢失数据时处理多模态的能力。这些优化创新使 SVAE 能够通过梯度下降法进行学习。