- IJCAI使用不完整偏好特征学习随机效用模型的组合
本文研究了具有特征和它们的混合的随机效用模型(RUMs),提出了一种广义的 RUM 模型,来生成不完整的偏好,证明了当带有特征的 Plackett-Luce 模型可识别时,其最大似然估计是一致的,并且该模型在合成数据和真实数据上具有较高的预 - ICML缺失数据的图模型中完全法律鉴定结果
本文提供了有关缺失数据如何影响各个领域(如医疗保健,经济学和社会科学)中所进行的分析的方法,同时介绍了一种通过概率分布来因式分解目标分布和其缺失过程的无偏推断方法,以及一些特定图形条件和证明的完整性。同时,还扩展了这些图形条件和完整性证明的 - 生成模型中外推独立机制的理论
生成模型可以通过实现真实数据生成过程的因果图结构向未被观测环境进行预测,然而,由于因果图结构节点通常未被观测,这导致了模型的超参数化和因果结构的不可识别性,此文章开发了一种理论框架,通过一个弱化的可识别性标准解决这种情况,并展示经典的随机梯 - AAAI利用聚合观测数据解开因果贝叶斯网络干预混杂问题
该研究研究了从已知的因果贝叶斯网络中进行的干预的混合分布的分离问题,提出了一种有效算法来恢复混合成分的混合比例,并基于简单假设证明了混合物精确边际已知时可排除混合中的少数分布来使混合成分混合比例可识别,进而设计了一种估计混合比例的优化框架, - 通过耦合的块张量分解进行频谱制图
本文提出了基于联合块 - 项张量分解的射频地图恢复和分解方法,保证了在实际条件下每个发射器的单个射频地图的可辨识性,并提出了有效的优化算法来解决射频地图的分解问题。
- PC-Fairness: 基于因果关系公平的统一框架
本研究提出了一种计算因果公平性的框架,其中定义了一个旨在涵盖前期因果公平概念的统一定义,并使用约束优化问题对路径特定反事实公平性进行了界定,以解决可辨识性的问题,实验表明了本方法的正确性和有效性。
- 一类 S 型非线性函数的神经网络可辨识性
本文研究神经网络的特定输入输出映射是否能唯一指定神经网络结构、权重和偏置,并探究其实现的通用性和稳健性,构建了一族非线性模型作为研究对象,并得出其必要通用性条件。
- ICML贝叶斯主成分分析的旋转不变 Householder 参数化
文章从贝叶斯角度考虑了概率主成分分析和相关因子模型。提出了一种基于 Householder 变换的参数化方法,解决了模型识别性问题,并使用随机矩阵理论得到了使模型不变的参数分布,从而避免了计算参数转换的 Jacobian 行列式的需要。在 - AAAI可配置系统性能建模的迁移学习:因果分析
通过因果分析,本文章调查了高度可配置系统中因果效应和统计关系的可识别性和可传移性,并证实了因果效应可以高度可信度地在不同环境中传递。
- 自适应线性二次调节器
本文旨在系统地解决三个问题:无法量化未知系统动态参数对后悔值的影响,现有的一些自适应控制策略的高效实现问题以及未完善的系统参数辨识问题;通过一种新的自适应控制策略分解方法,我们可以得到任意策略的后悔值与最优控制器之间的差距,证明了针对稍作修 - 利用辅助变量和广义对比学习的非线性 ICA
提出了一种基于辅助变量增广数据的非线性 ICA 的泛化框架,通过对真实的增广数据和随机化辅助变量的模拟数据进行判别式学习,实现了该框架的计算机实现,并证明了该模型的可识别性和一致性。
- 干预下因果有向无环图等价类的特征和学习
该研究考虑在观测和干预数据都可用的情况下学习因果 DAG,并使用一种可证明的算法实现此目标。
- 有限字母随机向量的张量、学习和 Kolmogorov 扩展
本文介绍了一种使用多线性代数方法实现关键点之间联合概率质量函数估计的方法,并给出了用于实现复杂度有限的高维概率的完整特征的证明和几个相关的可识别性结果。
- 相互污染模型的净化
本文研究了机器学习中的相互污染模型,并考虑了在任意概率空间上定义的基本分布下出现的多类分类、混合成员模型的分离以及带有部分标签的分类等三个常见问题,并提出了可辨认性的充分条件, 并提出了相应的算法和性能保证。
- 多项式时间与样本复杂度内学习线性结构方程模型
本文研究了从观察数据中学习线性结构方程模型(SEMs)的算法问题,旨在实现计算和统计效率,解决较一般的识别问题并没有考虑 “信仰” 假设的情形,提供了一个高效的算法,能够在不同噪声分布的情况下恢复 SEM 的有向无环图结构。
- 基于鲁棒体积最小化的遥感与文档聚类矩阵分解
本研究考虑基于最小体积标准的结构化矩阵分解,在理论上证明了最小体积标准的等效性以及提出了一种新的算法,该算法能够在计算上简单处理体积规则化,并自动检测并迭代降低离群值,用实验验证了所提算法的有效性。
- MM学习 Plackett-Luce 模型的混合
该研究论文探讨了有限的 Plackett-Luce 模型在排名数据中的可识别性和有效学习问题,提出了一种基于广义矩法的学习算法,并评估了其与其他算法的性能。
- backShift:从未知 shift 干预中学习因果循环图
该研究提出了一种名为 backShift 的方法,这种方法使用了特定类型的干预数据来学习具有潜在变量的线性因果循环模型,其性能在一些模拟数据以及在流式细胞术和金融时间序列应用中得到了验证。
- 有限混合模型中多种类型参数的可辨识性和收敛优化率
本文主要探讨了有限混合物中参数的可识别性和收敛行为,以及使用额外混合组件进行模型拟合的影响,并给出了强可识别性的一般理论,以及对于某些弱可识别性的模型,它们密度函数的代数结构对模型参数的估计收敛率具有决定作用,本文通过模拟研究了多个设置的的 - 通过识别具有隐藏组件的向量自回归过程进行因果推断
本文介绍了一种基于向量自回归 (VAR) 过程的因果推断方法,旨在更准确地揭示因果关系,叙述了如何从非实验时间序列中识别关键部分的过程,并提出了两种估计算法并评估其在合成和实际数据上的效果。