- 动态在线基函数扩展集成
利用随机特征逼近实现可伸缩、在线的高斯过程集成学习方法可广泛应用于不同的基础扩展模型,并能更好地选择具体的基础扩展方式。同时,能够将多种完全不同的模型进行集成,包括高斯过程和多项式回归。最后,提出了一种新颖的将静态和动态模型进行集成的方法。
- 在线张量推断
该论文介绍了一种新颖的在线推断框架,用于低秩张量学习,其中采用随机梯度下降,在不需要大量内存的情况下实现了高效的实时数据处理,大大降低了计算需求。该方法还提出了一种简单而强大的在线去偏置方法,用于顺序统计推断,从而消除了数据分割或存储历史数 - BayOTIDE: 贝叶斯在线多元时间序列插补与功能分解
我们提出了一种基于贝叶斯在线多元时间序列插补的方法,该方法可以处理具有任意时间戳的数据,为下游应用提供不确定性量化和可解释性。
- 加权平均随机梯度下降:渐近正态性与最优性
本文探讨了随机梯度下降算法的加速收敛方法,提出了一种自适应加权平均方案,并提供了非渐近收敛的统计保证和在线推断方法。最终的结论表明,该自适应加权平均方案不仅在统计率上是最优的,而且在非渐近收敛方面也具有有利的效果。
- 用于动态表征的时间聚合和传播图神经网络
本文提出了一个新的方法,即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN),将时间信息嵌入节点嵌入向量中,取得了比现有的时间图方法更好的预测性能和在线推理延迟。
- 使用图神经网络学习多智能体导航控制可接受性模型
通过使用图神经网络设计控制可接受模型(CAMs),将深度强化学习的学习目标从预测最优动作转换为预测可接受的动作集合,并针对多智能体导航环境开发了优化 CAMs 的训练方法,实现了更好的导航性能
- SwiftPruner: 针对高效广告相关性的强化进化剪枝
本文提出了 SwiftPruner,它是一个在线广告关键词预测的低延迟模型,采用结构剪枝的方法,利用演化搜索算法进行自动调整。通过多目标奖励来指导基因学习,优化层次稀疏模型的性能,该模型不仅在模拟测试中比其他模型具有更高的性能,而且在实际测 - AAAI目标识别作为强化学习
本文提出了一种结合基于模型的强化学习和目标识别的框架,在离线学习和在线推理阶段分别使用 tabular Q-learning 和三种推理度量,以解决目标识别中需要手动设计、在线计算等问题,从而在标准评估环境中实现了最先进的性能,同时在嘈杂环 - 连续变压器:用于在线推理的无冗余注意力
本文提出了基于新型 Scaled Dot-Product Attention 的连续输入流上的在线逐标记推断的 Continual Transformer Encoder,通过实验证明该算法在保持预测性能的情况下,可将每次预测的浮点运算次数 - ICML有界随机变量的接近最优置信区间
本研究提供了一种基于 Bentkus 集中结果的近乎最优置信序列,用于解决在线推断中随着样本大小不断增长需要统一有效置信区间的问题,证实这种置信序列在合成覆盖问题和自适应停止算法方面具有优越性。
- ICML使用输入过滤神经 ODE 从短事件相机流进行实时分类
本研究提出使用一种新型事件相机,通过一种异步的、基于神经元的 ODE 神经架构,直接使用事件进行短序列分类,实验表明该方法在各项任务中都表现得很好。
- MM生产排名系统:评述
本文介绍了几个高质量的排序系统,并将排序系统视为由数据处理、表示学习、候选选择和在线推理等不同层次组成的系统系统,每个层次都采用不同的算法和工具。同时,介绍了排序在规模方面的知识、应用的工具和算法以及采用分层方法引入的挑战。