- 概率电路的人类联合学习的统一框架
基于概率电路,借助领域知识进行参数学习的新型统一框架,能够有效高效地优化数据驱动学习方法,并在多个基准和真实数据集上取得优异性能。
- 零样本回归的目标归纳方法
通过使用侧信息的相似度和参数学习方法,本文提出了两种用于回归的零样本方法,用于预测气象站的空气污染物数量,并在人工数据集、UCI 存储库社区和犯罪数据集以及污染物方面进行了比较。这两种方法均优于基线方法,但参数学习方法表现出了较高的优越性。
- 在线变分顺序蒙特卡洛
在该研究中,我们使用基于粒子方法和变分推断的变分序贯蒙特卡洛(VSMC)方法,在时间上分布了 VSMC 代理 ELBO 的梯度的近似,从而实现了面向数据流的在线学习,能够高效地进行参数估计和粒子提议适应。同时,我们提供了与数据量趋于无穷大时 - 学习为未见图像数据生成 ConvNets 的参数
传统的卷积神经网络依赖于大量的图像数据,并使用迭代优化算法来学习网络参数,这使得训练非常耗时和资源密集。本文提出了一种新的训练范式,将卷积神经网络的参数学习形式化为一种预测任务,通过学习数据集与网络参数之间的超映射关系,来直接预测在训练阶段 - 基于物理启发的神经网络对自适应巡航控制系统参数学习
该研究论文提出并开发了一种物理启发的神经网络(PiNN),用于学习汽车工业中商业实现的自适应巡航控制(ACC)系统的参数。
- Laplacian 正则化分层模型中的联合图学习和模型拟合
本文讨论了 Laplacian regularized stratified models (LRSM) 的图权重敏感性问题,并提出了一种通用的学习图权重和模型参数的解决方案。我们从图连通性和贝叶斯视角解释了所提出的公式,并提出了一种有效的 - AAAI用梯度下降学习分形
本文介绍了一种通过梯度下降学习分形图像参数的方法,用于生成类似于目标图像的分形图像,此方法具有高可视品质的能力并且具备对不同损失函数的兼容性,为后续任务、科学理解等提供了多种应用潜力。
- 使用轻微上下文敏感文法进行非监督式不连续成分句法分析
研究语法诱导,使用线性无上下文重写系统进行无监督不连续解析,将文法形式限制为二元 LFCRS 并使用张量分解与参数化规则概率得到大量非终端符号,从而能够诱导出具有连续和不连续结构的语言学意义的树。
- 基于互联网混搭的多元时间序列优化事件监测
我们提出了一个网络混搭应用服务框架,支持多元时间序列的模型定义、参数学习、模型评估、数据监控、决策推荐和 Web 门户服务,并在一个实验案例中验证了我们的框架、模型和语言。
- 使用 SATNet 学习对称规则
本文提出一个名为 SymSATNet 的 SATNet 变体,它利用给定的对称性来求解逻辑谜题,从而实现参数学习,旨在缩小依赖于输入输出对的规则的学习量,本质上改善了 SATNet 的性能。
- 关于马尔科夫逻辑网络中的可投影性
该论文研究了马尔可夫逻辑网络及其特征,提出了一种基于 projectivity 的模型 ——relational block model (RBM), 并证明了它是在二元片段中最佳 projective MLN,并且可以对采样数据进行一致的 - 可微搜索指针的 Transformer 内存
本文提出可使用单个 Transformer 完成信息检索,通过 DifferentiableSearch Index 实现将文本的所有信息编码于模型参数中,使得检索过程大为简化,实验结果显示该方法明显优于双编码器模型以及 BM25 基线方法 - ICML通过干预主动学习连续时间贝叶斯网络
本文提出一种基于变分近似的实验设计新准则,用于从时域数据中学习连续时间贝叶斯网络 (CTBN) 的结构和参数,通过求解 CTBN 的 Master 方程取代对实验结果的采样以缓解高维度实验中的计算负担,并将模型扩展到条件 CTBN 以更好地 - MMTextRay: 基于轮廓的几何模型在任意形状场景文本检测中的应用
该研究提出了一种名为 TextRay 的任意形状文本检测方法,采用一次性无锚点框架中的自顶向下轮廓基准几何建模和几何参数学习,能够将复杂的几何布局编码为统一的表示,并输出仅经过一个 NMS 后处理的简单多边形检测。
- 学习分离高斯混合模型的差分隐私算法
本研究提出了一种新的算法,用于学习高维、高分离度的高斯混合模型的参数,该算法在满足差分隐私强约束的情况下具有与非隐私算法相同的样本复杂度,且不需要对混合组件参数进行先验限制。
- LassoNet:一种带有特征稀疏性的神经网络
LassoNet 是一个神经网络框架,它使用了全局特征选择。我们的方法使用了一个修改的目标函数来集成特征选择和参数学习,并且提供了正则化路径和稀疏性范围。在系统实验中,LassoNet 显著优于特征选择和回归的最新方法。
- 学会成长:应对灾难性遗忘的连续结构学习框架
本文提出了一个用于处理深度神经网络中的灾难性遗忘问题的概念简单、通用且有效的框架,通过优化神经结构和参数学习等两个组件,不仅可以直观有意义地演化神经结构,而且在实验证明了该方法具有很强的缓解灾难性遗忘问题的能力,此方法在连续学习的设置下,优 - 基于超像素的条件随机场对语义分割的增强
本文提出了一种超像素增强的成对条件随机场(CRF)框架,通过使用超像素基础的高阶信息,以较低的时间复杂度提高了参数学习和推理准确性;同时,根据实验数据,该方案在 MSRC-21 和 PASCAL VOC 2012 数据集上证明了其有效性。
- 张量神经网络:神经网络的泛化和模型压缩应用
该研究提出了张量神经网络,利用高阶张量操作解决参数学习的难题,并实现了对高阶输入对象的自然处理,同时利用训练方法和压缩技术在精度和效率上均有提升。
- 基于电路的量子分类器
本文提出了一种用于监督学习的低深度可变量量子算法,其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类,从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟,该电路为标准经典基准数据集提供了很好的分类性