- 层次主动推断中的动态规划
通过动态规划,我们指的是人脑推断和施加与认知决策相关的运动轨迹的能力。最近的范式 —— 主动推断,为生物有机体的适应提供了基本见解,不断努力减小预测误差以限制在适合生活的状态中。在过去的几年中,许多研究表明,人类和动物行为可以用主动推断的过 - 利用混合效应模型和分层聚类学习具有异质农学数据集的贝叶斯网络
通过将随机效应引入贝叶斯网络学习,该研究提出了一种新的方法,可以增强结构学习并改进模型规范,从而应用于复杂的农学数据集结构,提高决策支持工具的价值。
- 非线性潜在层次模型的识别
本文研究了非线性潜在变量的分层因果模型的识别问题,并证明在一些缓和的假设下,可以实现因果结构和潜在变量的可识别性。
- 350 + 种语言的分层模型在语言识别、识别错误及翻译中的应用
通过编制一个 50k+ 多语种儿童故事对齐语料库和构建轻量级的逐层模型,我们提出了一种名为 Hierarchical LIMIT 的方法来解决低资源语言的数据瓶颈问题,可用于短文本的语言识别和印度或非洲语言之间的研究。
- 视觉语音识别只需拟态
提出采用线性视觉前端结合更大 Conformer 编码器来实现更低的延迟,更高的内存效率和更好的 WER 性能,从而达到新的 TED LRS3 数据集上的视觉语音识别的最佳性能。
- 基于混合范式的脑机接口控制机械臂
本文提出了一种基于知识蒸馏的框架,通过混合范式诱导的 EEG 信号操纵机械臂以实现实用化,并证实使用分层模型和知识蒸馏可以提高简单结构的性能。
- 语言引发的事件相关电位的贝叶斯建模
本文介绍了基于贝叶斯层级模型的方法,应用于神经和行为数据分析,特别是应用于事件相关电位 (ERP),并通过一个以单词惊奇值和神经响应为例的实验数据进行了模拟和解释。
- ICML使用本地增强边界进行层次模型的变分推断
本文提出了一种基于收紧方法的层次模型变分下界的变分方法,该方法可以自然地使用子采样以获得无偏梯度,并在较低维度空间中独立地应用紧缩较低下界的方法,以获得比相关基线更好的结果和更准确的后验近似。
- AAAI主动监测空气污染的贝叶斯优化
空气污染是全球死亡率的领先原因之一,而新的低成本传感器可以更高效地监测,层次模型可改进 Bayesian 最优化方法来解决地面污染监测布置问题。
- 简单分层模型的摊余变分推断
本论文提出了使用摊销方法的变分推断,使用共享参数同时表示所有本地分布,类似于使用完整高斯联合分布,但可在数个数量级更大的数据集上实现,速度大大快于使用结构化变分分布。
- ICLR重新审视分层方法,用于持久长期视频预测
本文重新审视了视频预测中的分层模型,通过先估计语义结构序列,再通过视频到视频的转换将结构转化为像素,我们展示了用随机循环估算器模拟离散语义结构空间中的结构及其动态来进行成功的长期预测,通过在汽车驾驶和人类舞蹈等三个数据集上的评估,证明了我们 - AAAI迈向可靠的长距离策略迁移
通过提出一种新的方法,我们利用分层结构来训练组合函数,并交替适应各种不同的原始策略,从而在具有挑战性的新任务中高效地生成一系列复杂的行为,同时设计了两个正则化项来提高原始策略的多样性和利用率。实验结果表明,我们的方法在连续行动空间任务中效果 - 具有目标条件的分层预测器的长视程视觉规划
本研究提出了一种基于目标条件的预测模型,将其与层次模型相结合,以实现长时间跨度的视觉预测和规划任务。
- AAAI通用隐含参数 MDPs:在少数试验中可转移的基于模型的强化学习
该研究论文提出了基于模型的强化学习模型(Model-based RL)的变种,称为广义隐参数马尔可夫决策过程(Generalized Hidden Parameter MDPs,GHP-MDPs),该模型结合了层次模型和潜变量,并且在多个任 - 重要性加权层级变分推断
通过引入一种新的变分上界家族,我们提出了一种用于层次模型的变分下界族,使得我们可以使用更具表现力的近似后验概率,并在一系列实验中证明了所提出的方法的卓越性能。
- 引言:贝叶斯推断在引力波天文学中的应用:参数估计,模型选择和分层模型
本文主要介绍贝叶斯推理的层次模型和超参数,为包括初学者和资深人士在内的广泛观众提供有用的见解,并从引力波天文学领域进行案例说明。全文涵盖了似然函数、先验、后验、贝叶斯证据、贝叶斯因子、资料比等内容及其应用,最后将形式主义泛化为讨论超参数和层 - ICMLDropout 是随机 delta 规则的特例:更快、更准的深度学习
本研究比较了 Dropout 和 Stochastic Delta Rule 两种算法在神经网络的参数估计任务上的表现,结果发现 SDR 相对于 Dropout 具有更好的性能。
- HiNet:神经网络的分层分类
通过基于神经网络的分层架构和推断算法,解决了使用扁平化标签分类超过 1 万个不同跟踪的困境并实现了最大后验迹。
- 金融中的深度学习
使用深度学习层次模型探索金融预测和分类问题,应用深度学习方法可以比现有标准方法更好地解决大规模数据集中的复杂数据交互问题,以便探测和利用当前任何金融经济理论看不到的数据交互。
- 分层模型作为分层模型的边缘
研究了利用较小交互的分层模型边缘表示其他分层模型的方法,并在二元变量和成对交互模型的边缘中着重研究了相互条件独立的隐藏变量。结果表明,每个隐藏变量可以自由地模拟可见变量之间的多个相互作用,可以将在比以前更少数量的隐藏变量的限制玻尔兹曼机中达