- 主体 - 代理多任务:最优合同的统一性及其通过仪器回归的高效学习
这项研究探讨了多任务委托 - 代理问题,通过研究成本函数、边际效用和在线学习方法等,寻求了最优合约的解决方案。
- 如何逆转杠杆得分分布?
通过分析统计杠杆的反演问题,我们研究了杠杆得分的分布与模型参数的关系,提出了解决回归问题的非凸优化算法,包括梯度下降和牛顿法,从而为统计杠杆的研究在解释、数据恢复和安全等领域开辟了新的应用。
- 探索比预测更困难:将强化学习与监督学习加密分离
监督学习通常在实践中具有较低的计算复杂性,但这是否意味着其他学习模式,如强化学习(RL),也应该具有类似的计算简易性呢?本文展示了 RL 和监督学习之间的首个密码学分离,通过展示一类块 MDP 和相关译码函数,在无奖励的探索上的计算难度被证 - 基于物理信息的机器学习作为内核方法
使用物理信息对经验风险进行正则化可以有利于估计器的统计性能。
- ICLRMT-Ranker: 无参考系统间排序的机器翻译评估
机器翻译评估已被传统上视为回归问题,但这种方法存在两个限制:缺乏可解释性且人工评注者难以给出一致的分数;在真实的场景中,大多数评分方法基于(参考翻译)对,限制了它们的适用性。本研究提出一种新的评估方法,将无参考机器翻译评估转化为配对排序问题 - 用于数据高效的视觉地点识别的回归变换器
通过将地点识别视为回归问题,使用相机视野重叠作为相似性标准进行学习,使图像描述符与评级相似性标签直接对齐,提高排名能力,同时节省昂贵的重排操作,实现了高效数据训练和在多个基准数据集上的强大泛化。
- 将离线强化学习重新构建为回归问题
该研究将离线强化学习重新定义为一个可以用决策树解决的回归问题,通过梯度提升树可以实现快速训练和推理,同时对通用性进行了讨论。
- 通过潜在空间的解缠释义实现回归
本文提出了一种新的方法,通过首先将潜空间中的标签无关特征与预定义的输出相结合,以为预先训练的回归器生成对立解释。通过在潜空间中搜索,我们展示了该方法在回归问题设置下重要高维机器学习应用中具有竞争力。
- 基于神经网络的回归的高效核替代模型
通过研究神经切线核在代替有限宽度深度神经网络中的性能表现,揭示了核的正则性是性能的关键决定因素,从而提出了一种廉价改进深度神经网络准确性的方法。这一理论框架不仅为使用共轭核代替神经切线核提供了理论基础,而且揭示了不同近似方法的稳健性,为提高 - ResNet 和 Softmax 的统一方案
这篇论文通过理论分析提供了连接大语言模型、softmax 回归、残差神经网络以及优化问题的统一方案,揭示出了损失函数的梯度、Hessian 矩阵以及利普希茨特性,并通过该方案为未来深度学习模型的研究提供了新的洞察。
- MM随机傅里叶特征在去量子化量子机器学习中的潜力与限制
量子机器学习是近期量子设备最广泛研究的应用之一,本文通过研究建立了随机傅里叶特征对于变分量子机器学习的有效去量子化的必要和充分条件,并基于这些理论指导了参数化量子电路结构设计以及识别适合量子优化潜力的回归问题的结构。
- MMDCTM:对话中多模式参与估计的扩张卷积变换模型
我们提出了一种膨胀卷积变换器,用于在 MULTIMEDIATE 2023 竞赛中建模和估计人类参与度,相比基线模型,在测试集上有 7% 的显著提升,验证集上有 4% 的提升,并证明对于这类数据,简单的拼接方法和自注意力融合可以得到最佳性能。
- 对称正定矩阵流形上的回归实现多可靠度协方差估计
我们介绍了一种作为对对称正定矩阵流形上的回归问题的解的协方差矩阵的多保真度估计器。该估计器由于构造方式是正定的,通过最小化得到它的马哈拉诺比斯距离具有可实用的计算性质。我们证明了我们的流形回归多保真度 (MRMF) 协方差估计器是在特定误差 - 手中一只 CBR 胜过两只丛中鸟
本研究探讨了使用 XGBoost 回归方法进行航班起飞延误预测问题,通过建立一个 XGB-CBR 模型,将 XGBoost 模型的特征重要性转换为 CBR 模型中的全局权重来提供全球性的解释,并提供最具可解释性的本地解释,以提供该问题背景下 - CVPRRAGO: 多次旋转均值的循环图优化器
本文提出了一个深度循环旋转平均图优化器 (RAGO),用于解决多重旋转平均 (MRA) 的问题,通过边缘修正策略减少了不准确测量的影响,使用门控循环单元追踪成本图的时间信息,使其成为一个实时的学习优化方案,用于解决现实中的问题。RAGO 在 - MM基于帽子基函数的稀疏高斯过程
本文扩展了约束高斯过程的核心思想,并提出了一种新的基于 “帽子” 基函数的稀疏高斯过程方法,将计算复杂度从精确高斯过程的 $O (n^{3})$ 降低到 $O (nm^{2})$,在开源数据集或分析函数上取得了满意的近似结果。
- 二元回归是否可能进行无分布推断?
研究提供不基于数据分布的置信区间用于二分类回归问题,建立置信区间的下限并构建数据量大小无关的求解方法。
- AAAIRobustSTL: 一种长时间序列鲁棒的季节性趋势分解算法
该论文提出了一种新颖的通用时间序列分解算法来解决现实世界数据中存在的季节性波动变化、趋势和异常值的挑战,其方法基于解决回归问题使用稀疏正则化的最小绝对偏差损失来鲁棒地提取趋势,并基于趋势提取具有非局部季节性的滤波,该过程重复直到获得准确的分 - 利用多个数据集进行深度叶片计数
通过深度学习方法,提出将叶数计数作为回归问题进行直接预测,避免叶子实例分割的耗时问题,并证明结合多个数据集进行训练可以获得更好的结果。在 CVPPP 2017 叶数计数挑战数据集上,相较于之前的获胜者,该方法能够提高至少 50% 的测试结果 - 潜在高斯过程回归
介绍了一种名为潜在高斯过程回归的方法,可以扩展输入空间,使用潜在变量来调制协方差函数以处理多模态和非平稳过程的回归问题,并在合成数据和实际应用中进行了验证。