- 基于 K 臂随机实验的条件对照均值估计的样本大小规划
确定一个足够大的样本大小以估算数据驱动的子组中的条件反事实期望,将问题转化为同时推断问题并与固定的样本大小预算相关联,以逆推可行的治疗方案数量或分区复杂度。
- Rao-Blackwell 贝叶斯因果推断
贝叶斯因果推断结合基于序的 MCMC 结构学习和基于梯度的图学习技术,提出了一个有效的因果推断框架,可以推断变量的拓扑次序和父集,限制每个变量的父集数量,可以在多项式时间内精确计算边缘化。使用高斯过程对未知因果机制进行建模,引入 Rao-B - 基于概率图匹配的图像分割
本文提出了一种无监督半自动图像分割方法,将图像分割作为基于低级图像线索计算的一元和二元分配概率的推理问题。利用概率图匹配方案来解决推理问题,允许严格的低级图像线索的结合和自动参数调节。实验证明,这种方法在现代最先进的图像集中应用时比现代半监 - 从状态空间结构学习规划的一阶符号表示
通过将规划器使用的一阶符号表示从编码状态空间结构的非符号输入中学习,我们解决了图像与符号之间的鸿沟,这意味着推断一个完整的一阶表示(即一般的动作模式、关系符号和对象)来解释所观察到的状态空间结构。
- 学习不完整数据时对抗性扰动的鲁棒性
本文研究了在对抗性扰动的假设下,无标记数据在推断问题中的作用,并将两种主要的学习框架 —— 半监督学习(SSL)和分布式鲁棒学习(DRL)统一起来,并在新的复杂性度量基础上进行了一般化理论的构建。
- MM基于核函数的图函数推断
这项工作提出了一个通用的基于核的框架来解决网络节点定义函数的推理问题,既考虑静态又考虑动态设置,并提出了一些有效的建模方法来处理实际问题。
- 社区检测的计算机科学和物理学:景观、相变和难度
研究社区检测在图中的应用,探究其作为推理问题的一个重要方面。通过研究相应的概率和计算机方法,发现了社区检测存在相变点,在此点之前,该问题是无法解决的,并且在信息理论阈值以上,已知存在能够成功解决该问题的算法。此研究为计算机科学家提供了丰富的 - Frank-Wolfe 贝叶斯积分:具有理论保证的概率积分
本文介绍了第一个能够满足严格收敛保证的概率积分器 ——Frank-Wolfe Bayesian Quadrature(FWBQ),证明了在 FWBQ 下,到达积分的真实值是指数级的,后验收缩速率被证明为超指数级。在仿真中,FWBQ 竞争性地 - AAAI论人类计算中的凸推理的不可能性
探究人类计算中是否存在一种有意义的凸目标函数,以及是否存在可保证人类计算中凸性推理的合理客观函数。
- 标签随机块模型中的社区检测
利用标记的随机块模型来识别多种类型相互作用的社区检测问题,证明了检测阈值可以从信度传播的不敏感转换为敏感,进而进行模型推理的相关推理问题从不可能到可能的过渡,并得出了使用信度传播进行社区检测的结果,证明了理论假设的正确性。
- 信息效率全局优化的熵搜索
本文提出概率优化算法的期望,引入一种基于逼近和明确地址决策问题的具体算法以解决计算上的难题。
- 社区检测作为一种推理问题
本研究将社区检测问题表达为一个推断问题来决定社区最可能的排列方式,并应用信念传播和均场理论解决该问题,证明这些方法可导致快速准确的社区检测算法。