- 由生成式对抗网络 (GANs) 驱动的多目标演化优化
提出了一种基于生成对抗网络驱动的多目标进化算法,通过对父代和子代解进行分类和采样,充分利用生成对抗网络进行有限训练数据的高维优化,取得了理想的效果
- IJCAI高维贝叶斯优化之监督降维
本文提出了一种基于 Sliced Inverse Regression(SIR)的高维贝叶斯优化算法,能够通过降维方法学习对象函数的内在子结构,并且采用了核技巧来降低计算复杂度和学习非线性的子集。实验证明,该算法在高维贝叶斯优化中具有优越性 - 高维偏微分方程的弱对抗网络
本论文提出了一种称为弱对抗网络(WAN)的新方法,通过利用其弱形式将高维线性和非线性偏微分方程转化为算子范数最小化问题,使用原始和敌对网络进行参数化,交替更新以逼近最优网络参数设置。本方法是快速的,稳定的,完全无网格方法,特别适用于定义在不 - 非线性集合滤波的耦合技术
针对高维度的非高斯状态空间模型、非线性且可能是混沌动力学以及空间与时间稀疏的观测,我们提出了一种新的过滤方法,使用交通测度、凸优化和概率图模型的思想来产生高维度下的坚韧的集成近似过滤分布。我们的方法可被理解为集成卡尔曼滤波器(EnKF)的自 - 高维高斯分布在相同均值下之间的总变差距离
对于具有相同均值的两个高维高斯分布,我们证明了其总变差距离的上限和下限,它们相互之间的常数因子差异很小。
- ICML使用随机门进行特征选择
本研究为高维非线性函数估计问题提出了一种基于 Bernoulli 分布连续松弛和梯度下降的特征选择方法,通过最小化指示变量向量的 l0 范数,同时选择相关特征和最小化损失函数。这种方法在合成和真实应用程序中表现出良好的潜力,并提供了将伯努利 - AAAI具因子图的分散高维贝叶斯优化
本文提出了一种新颖的去中心化高维贝叶斯优化算法(DEC-HBO),它利用各个输入组成部分在未知目标函数 f 的输出上产生的相互依赖关系提高贝叶斯优化(BO)算法性能,并在不需要先验知识或输入空间的低(有效)维度的情况下保持可扩展性。通过提出 - 高维随机零阶优化
本文介绍了使用随机零阶查询优化高维凸函数的问题,提出了两种算法,并表明两种算法只依赖于问题的环境维度的对数收敛率。实证研究证明了理论发现,并表明我们设计的算法在高维场景中优于经典的零阶优化方法。
- 神经网络的泛化误差的高维动态
本文通过随机矩阵理论和线性模型中的准确解,研究了使用梯度下降训练的大型神经网络的泛化动态,发现梯度下降学习的动态自然地保护了大型网络免受过度训练和过拟合的影响,当自由参数的有效数量等于样本数量时,网络过度训练最严重,大小的适当调整可以减少网 - MMHamilton-Jacobi 可达性:简要概述与最新进展
介绍了基础 Hamilton-Jacobi reachability 理论的概述和最新的数值工具的使用说明,此外,还回顾了一些高维 HJ reachability 的现有工作,展示了通过各种通用理论和应用特定的见解可以缓解维度挑战。
- 最小协方差行列式及其扩展
MCD 方法是多变量统计学中高度鲁棒的位置和离散度估计器之一,对于开发强健的多元技术和异常值检测也是一个重要的基础,本文回顾了 MCD 估计器及其一些性质,并讨论了其在应用和方法多元统计中的应用和扩展。
- 使用深度学习求解高维偏微分方程
通过使用神经网络逼近未知解的梯度来解决高维偏微分方程,该算法在包括非线性 Black-Scholes 方程、Hamilton-Jacobi-Bellman 方程和 Allen-Cahn 方程等方程上均取得了精确和低误差的结果。
- 高斯健壮学习:高效获得最优误差
本文针对高维高斯分布参数学习问题进行了研究,提出了鲁棒估计算法,在拥有少量恶意样本的情况下实现了 $O (ε)$ 精度的估计,同时也证明了算法的多项式时间复杂度和多项式数量样本要求。
- 高维非线性分类创新交互筛选
本文介绍了一种名为 IIS-SQDA 的方法,该方法通过屏蔽重要交互作用并同时进行分类来解决高维度线性分类问题,并通过 QDA 的系数向量建立了一个稀疏不等式来证明我们的分类方法具有很好的性能。
- 超高维非凸惩罚回归的校准
本文研究高维非凸罚函数回归问题,提出了一种易于计算的校准 CCCP 算法和高维 BIC 准则,可以用于解决问题中的多个局部极小值和未知的最优参数。研究结果表明,该方法在高维数据分析中具有良好的性能。
- 混合模型和隐马尔可夫模型的矩方法
本文提出了一种有效方法来估计高维的混合模型的参数以及应对 EM 算法的失败问题,该方法基于矩估计法来进行无监督学习从而实现了之前未能达到的混合模型严格的无监督学习结果。
- 高维稀疏 PCA 估计的最小化率
研究高维稀疏主成分分析,证明了所得最小值估计误差在限制条件下的上下限,给出了 $L_q$ 约束下主成分分析的性能分析,提供了 $L_1$- 约束下主成分分析的收敛速率。
- 高维协方差矩阵估计与缺失观测
本文介绍了一种简单的过程来解决高维数据的缺失协方差矩阵估计问题,该方法不需要对缺失数据进行插补,并建立了非渐进稀疏奥尔克不等式,最后证明了其速率是渐进最优的。
- 高维高斯图模型选择:漫步可加性与局部分离准则
论文讨论高维高斯图模型选择问题,提出一种基于经验条件协方差的阈值算法,通过这个算法可以在可接受的时间内求解一些图形,此算法在某些透明条件下是一致的,与该模型的非零度和拓扑结构有关。
- Fisher 判别子空间中的模型聚类与可视化
本文介绍了一种判别潜在混合模型(DLM)和一种估计算法 Fisher-EM 算法,可用于高维数据空间中的聚类,其结果优于现有的聚类方法,可以用于质谱数据聚类