- 基于 Transformer 的脑网络分析层次聚类
本文提出了一个新的可解释性变换器模型,用于联合分层聚类识别和脑网络分类,以实现对脑区功能组织的可行洞察。
- MM图神经网络与无线通信:动机、应用及未来方向
本文综述了图神经网络在无线通信中的应用,包括构建图模型的 GNN4Com、用于 GNN 的无线通信 Com4GNN、以及未来研究方向。
- AAAI通过关系消环来学习具有环的关系因果模型
在关系因果模型中,通过关系回路对复杂的动态系统进行建模和推理,本文引入了一种关系去环操作,探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。
- ICML语言模型级联
通过利用概率编程技术以及组合多个模型,并在测试中反复交互,我们提出了一种基于语言模型层级结构的模型组合方法,以实现对复杂数据类型(如字符串)的快速学习和推理。
- 分解空间中的随机规划近似推断
该论文将随机规划分解成两个维度:正向和反向推断以及置信传播法和均值场变分推断等不同方法,进而提出折叠状态变分推断 (CSVI) 算法,并通过实验比较发现其与正向置信传播法是最佳的随机规划方法之一。
- 混合非确定性 - 概率自动机:将图形概率模型与非确定性融合
本文提出了一个新的模型混合自动机(非确定性 / 概率性),它不仅包括了非确定性自动机,还包括了图形化概率模型,并且它配备了与图形化概率模型继承的并行组合、模拟关系和支持消息传递算法。Segala 的概率自动机可以映射到混合自动机。
- MM部分干预因果模型
该论文提出了一种基于单一世界干预图的因果推断方法,建立了一种允许特定变量干预的图模型,并提出了一种干预计算法则。
- ICML学习伊辛模型动力学的样本复杂性指数降低
该研究探讨了如何从动态过程的相关样本中重构二值图形模型,并分析了基于交互筛选目标和条件似然损失的两个估计器的样本复杂性。我们发现,对于来自远离平衡的动态过程的样本,样本复杂度与混合速度快的动态过程相比呈指数级下降。
- 高维模型中的贝叶斯推断
本文综述了贝叶斯及相关方法在高维模型中的性质,如许多正常问题,线性回归,广义线性模型,高斯和非高斯图模型等。同时也讨论了有效的计算方法。
- ICLR通过升维实现结构化卷积模型的无损压缩
本研究提出一种通过检测对称性和压缩神经模型的简单有效技术,来加速各种图形神经网络的计算,如分子分类和知识库完 意。
- ICLRAutoBayes: 自动贝叶斯图探索用于鲁棒推断
提出了一种自动贝叶斯推理框架 AutoBayes,可以通过不同的图模型来建立分类器、编码器、解码器、估计器和对抗网络块之间的联系,进而优化机器学习流水线,学习到既可用于任务特征提取又不受无关变量干扰的数据表示。框架在多个公共数据集上进行了基 - ECCVMPLP++:用于稠密图模型的快速、并行双块协同上升算法
本文介绍了一种新的基于双重块升降法的 MAP-solver, 叫做 MPLP++, 具有比现有的解算器 TRWS 更显著的性能提升,并具有高度并行性,可用于计算机视觉、生物影像等领域。作者使用公开的基准测试和对象位姿问题验证了这种算法的卓越 - AAAI通过 LP 松弛约束组合搜寻实现精确 MAP 推断
针对基于图模型的最大后验概率推断问题,本研究提出了一系列不同于 Sherali-Adams 层次结构的松弛方法,将问题分解为一个简单的 LP-tight 部分和一个困难的组合求解器部分,实验证明对小部分问题可以显著降低计算时间。
- CVPR信念传播再进化:学习 BP 层用于标签问题
本文提出一种基于深度学习模型的简化 Belief Propagation 方法 (BP Layer),并将其作为卷积神经网络 (CNNs) 的中间层或者最终层来解决密集预测问题,如立体,光学流和语义分割等。
- 离散图模型 -- 优化视角
本文说明了离散图形模型的离散能量最小化问题及其多种优化解法,其中包括多种精确优化方法和基于信息传递和图割技术的近似方法。
- AAAI部分遮挡生物特征的动态图表示
本篇研究提出了一种称为动态图表示(DGR)的新颖统一框架,整合了卷积神经网络(CNNs)和图模型的优点,用于学习生物识别中的遮挡问题,其中通过分析节点间的相似性,能够自适应地移除代表被遮挡部分的节点,实验结果表明该方法优于基线方法并可大幅提 - 基于商空间的图形数据生成统计分析
利用商结构开发高效算法进行多重相关随机变量的图形建模及统计分析在图形数据的生成建模中具有广泛应用,使用多个问题领域的数据集演示了此框架的高效性和准确性。
- MM信念传播快速收敛于全局最优解:超越相关性衰减
研究图模型中 “信念传播” 的收敛性及其在 Ising 模型中的应用。
- 通过谱约束的结构化图学习的统一框架
本文介绍了一个基于高斯图模型和谱图理论的统一图学习框架,通过对图矩阵的谱约束实现了特定结构的图形式化,提出的算法具有收敛性,计算高效,在合成和真实数据集上的实验表明了其有效性。
- 离散图模型的高效学习
提供了一种用于学习离散因子模型的交互筛选框架,它可以减少使用最小数量的数据,而且我们的界限对于使用该算法的大多数模型都是可验证的。