- 潜在解释器:用多模态基础模型解释深度生成模型中的潜在表示
本文介绍了 LatentExplainer,这是一个自动化生成深度生成模型中潜变量语义有意义解释的框架,通过扰动潜变量和解释生成数据的变化,提供了一种系统的方法来理解和控制数据生成过程,增强了深度生成模型的透明度和可解释性。
- 编码 - 解码神经网络在 X 射线光谱解释中的应用
通过在模拟的 X 射线光谱数据中使用编码器 - 解码器神经网络 (EDNN),我们研究了这种架构在模拟和解释光谱数据中的应用,以确定光谱的关键结构特征,发现 EDNN 在覆盖目标变量方差方面优于基于仿真器的成分分析 (ECA),但在物理术语 - KDD潜变量因果推断:最新进展与未来前景
通过综述研究,我们对近期在潜变量条件下的因果推断相对于影响因素进行了全面的回顾,涵盖了因果效应估计、中介分析、反事实推理和因果发现等任务,并介绍了在大型语言模型时代下因果推断存在的新机会。
- 可识别因果表示学习:无监督,多视角,和多环境
通过学习具有因果模型语义的潜在变量表示形式,此研究论文探讨了因果模型在人工智能中的应用和理论基础,重点关注可辨识性问题以及在无直接监督下的表示学习目标可行性。
- CCA 在多视角文本数据中生成潜在状态 / 变量的适用性
本研究展示了典型相关分析 (CCA) 在发现在双视图设置下捕捉文本数据中的上下文信息的潜在状态方面的潜力,并提出了使用 CCA 执行自动短答案评分任务的模型。经验证实,该模型在实践分析中取得了有竞争力的结果,甚至可以胜过各种先进的监督技术。 - AgentReview:使用 LLM 代理探索同行评审动态
我们引介了 AgentReview,这是第一个基于大型语言模型(LLM)的同行评审模拟框架,可以有效地解开多个潜在因素的影响并解决隐私问题。研究揭示了诸多重要发现,包括考虑到社会学理论,如社会影响理论、利他主义疲劳和权威偏见,由于审稿人的偏 - CVPR细节决定成败:适用于细节丰富的 StyleGAN 反向和高质量图像编辑的 StyleFeatureEditor
通过 StyleGAN 反演技术,我们介绍了一种名为 StyleFeatureEditor 的新方法,可以在 w-latents 和 F-latents 两个潜变量空间中进行编辑,实现了对细节的精确重建和修改。与现有的编码方法相比,我们的模 - 使用张量秩条件学习离散潜在变量结构
通过对观察变量集 $X_p$ 的条件集的最小支持率进行张量秩条件探测,我们可以确定潜在变量的秩,并在某些结构假设下识别出潜在因果结构。
- 基于大语言模型的概率图模型的语言表达
本文介绍了一种新颖的贝叶斯提示方法,通过使用一个语言大模型(LLMs)中的一个模糊概率图模型(PGM)来实现无需训练的贝叶斯推理。我们的模型在多个组合推理任务中取得了良好的效果,有效提升了置信度的引发和文本生成质量,显示出在模拟不确定性方面 - ICML潜在混杂因素下的 LiNGAM 模型中的因果效应识别
研究在具有潜在变量的线性非高斯无环模型 (LiNGAM) 中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况,对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化,并提出了有效的算法来验证图形条件。最后,提出了重 - 训练中显现的潜在内在特征
图像重照是通过改变光照条件展示源图像场景在不同光照条件下的效果。本文介绍了一种完全基于数据驱动的重照方法,其中光照条件和内在特征都被表示为潜在变量。该方法在真实场景的重照上达到了最先进的水平,使用了标准度量评估,同时发现可以通过潜在内在特征 - 利用环境结构:系统发展正则化鼓励解开的表征
通过从多个相关数据集和任务中推断潜在变量,我们开发了一种从基因表达预测表型等任务中学习潜在因果变量的方法,其中关键观点是基于基因表达引起的潜在变量与感兴趣表型之间的映射在密切相关的环境下变化稀疏。我们引入了树状正则化来建模稀疏变化,通过最小 - 学习正确的潜在变量是否必然改善上下文中的学习?
对于大型自回归模型,如 Transformer,它们可以通过上下文学习 (即 ICL) 在不学习新权重的情况下解决任务,从而提供了高效解决新任务的方法。本文系统地研究了明确推断任务潜变量的效果,并发现与标准 Transformer 相比,在 - 在具有潜变量的子人群中的因果效应识别
本文考虑了允许潜变量存在的 s-ID 问题的拓展,通过将经典的图形定义扩展为新的对应关系来应对潜变量在亚群中存在时引发的挑战,并提出了一种针对具有潜变量的 s-ID 问题的可靠算法。
- 基于 PU 学习的准确链路预测
提出了一种基于正无标号(PU)学习的准确链接预测方法 PULL(PU-Learning-based Link predictor),它通过为每个边引入潜在变量并利用相对于这些变量的预期图结构,有效地防止链接预测器过度拟合观察到的图,在边不完 - 从高维观测学习低维潜在动态:非渐近性和下界
本文研究了一个具有低维潜变量但高维观测值的线性时不变模型,并提出了一个算法,该算法可以恢复高维特征并将数据嵌入到低维空间,并学习低维模型参数,其样本复杂度保证为 $\tilde {\mathcal {O}}(n/\epsilon^2)$,其 - 潜变量双高斯过程模型用于解码复杂神经数据
该研究引入了一种基于高斯过程模型的新型神经解码器模型,通过两个高斯过程生成神经数据及其相关标签,并使用一组低维潜变量表示神经数据中的潜在流形或重要特征,从而高精度地从神经数据中推断潜变量以解码标签,在口头记忆实验数据集中的应用表明该解码器模 - 海冰预测的独角兽:基于卷积神经常微分方程的 U-Net
通过引入一种名为 Unicorn 的新型深度架构,该论文旨在使用神经网络预测北极的每周海冰浓度,并通过对 1998 年至 2021 年的真实数据进行实证分析,证明了该模型在海冰浓度和范围预测任务中相较于其他模型具有显著的改进。
- 在离散化存在的条件独立性检验
在只有离散观测值的情况下,该研究提出了一种能适应离散变量存在的条件独立性检验方法,通过设计桥接方程来恢复潜在连续变量的统计信息参数,并导出了适当的检验统计量及其在条件独立的零假设下的渐近分布,理论和实证验证结果表明了该方法的有效性。
- 非线性自编码器潜空间分析中的解码器分解与风洞实验数据
利用解码器分解方法进行介电解释和相关的涡流结构的等级和选择过程,以帮助用户设计和解释非线性自动编码器。