- ICLR基于神经常微分方程的脱耦合标记时态点过程
一个名为 Marked Temporal Point Process 的随机过程研究了异步时间事件的复杂动态,利用深度神经网络和神经常微分方程处理数据,提供了对事件影响和整体动态的解耦成果以及对实际应用的分析。
- 随机 Pareto 前沿表面
通过极坐标,我们证明了帕累托前沿可以显式地参数化,从而基于此表示可以将线性代数、概率统计和决策理论推广至帕累托前沿空间中的函数。我们以随机设置为重点,研究了帕累托前沿作为随机过程的情况,并展示了如何定义和估计期望值、协方差和分位数等统计量。 - 成功的压力:足球伤害风险缓解和团队成功的预测模型
本文提出了一种新颖的足球连续球队选择模型,通过对现实世界足球数据中学习到的球员特定信息建模,以模拟球员受伤和不可用性的随机过程。通过对球员受伤概率进行推理,利用蒙特卡洛树搜索 (Monte-Carlo Tree Search) 来选择在整个 - AAAI连续时间图表示与序贯生存过程
在过去的二十年中,图形的表示学习方法有了巨大的增长,具有多个应用领域,包括生物信息学、化学和社会科学。然而,目前的动态网络方法侧重于离散时间网络,或者将连续时间网络中的链接视为瞬时事件。为了解决这个问题,我们提出了一种依赖于生存函数的新型随 - 聚合马尔可夫过程在随机学习理论中的应用
通过合成函数和马尔可夫过程产生的随机过程称为聚合马尔可夫过程(AMP)。本文旨在描述 AMP 理论如何应用于随机学习理论中以学习特定任务,并提供了 AMP 的充分条件和规范表示。
- 学习非马尔科夫行为的极限:费舍尔信息速率和超额信息
从时间序列数据中学习未知参数的基本极限是我们的研究方向,我们发现最优推断的无偏估计与观测长度成比例,并得到了闭合形式表达式。
- 多模型生成对抗网络基于随机动态学习与精确生成
本研究中我们使用生成对抗网络(GANs)学习格点上原型随机过程,并通过合适的噪声添加成功地使生成器和判别器的损失函数接近最优值。然而,典型的对抗式方法中振荡仍然存在,这损害了模型选择和生成轨迹的质量。我们演示了使用随机生成器推进随机轨迹的适 - ACL基于布朗桥随机过程的目标导向主动对话中的对话规划
提出了一种基于随机过程的连贯对话路径规划方法,使用预训练语言模型生成明确的路径并引导对话生成,实现了更高成功率和更连贯的话语。
- 先驱 CVAE:基于贝叶斯深层生成模型的可升缩 MCMC 参数推断
本文提出了一个新的方法 PriorCVAE,通过在 VAE 中引入随机过程超参数来区分学习先验分布,实现了超参数的显式估计,可以有效地应用于空间和时空推断等领域。
- ICLR元时点过程
本文提出了将时间点过程 (TPP) 作为神经过程 (NP) 的一个实例,并将其训练于元学习框架中,使用上下文集来建模 TPP,引入了本地历史匹配来帮助学习更丰富的特征,并在公共基准数据集和任务上展示了该方法的潜力。
- 建模新兴语言中的词汇熵数学
本文提出了一个基于随机过程 FiLex 的数学模型,用于描述深度学习的新兴语言系统中词汇熵的变化,并验证了该模型对于不同环境下的超参数与熵之间的关系能够准确预测。
- WSDM动态稀疏图上图序列神经 ODE 过程用于链接预测
本研究提出了一种基于神经过程的新方法,称为 Graph Sequential Neural ODE Process (GSNOP),通过定义函数分布,将不确定性引入预测中,使其具有更好的泛化性能和更强的扩展性,同时不会过拟合于稀疏数据,在三 - ICLR利用自我加强的随机过程建模新兴词汇的形成
介绍了 FiLex,这是一种自我加强的随机过程,可以模拟语言实验中的有限词汇。FiLex 的核心特性是它是一种自我加强的过程,类似于一个词在语言中使用的越多,它的使用就会越多的直觉。FiLex 作为一个理论模型,既可以解释又可以预测新兴语言 - ICML学习针对移动目标进行定价
本文探讨在 Learning to Price 的环境下,当买家估值是一个移动目标的情况下,寻找一种使卖家能最大化收益的算法,并提供了对于最优收益损失的上下界限制。由于目标一直在移动,所以算法必须在探索和利用之间不断切换来保持最新的信息。
- 轨迹推理的数学理论
使用 Global Waddington-OT 方法,将基于单细胞 RNA 测序数据的高维单细胞时序数据的随机过程重建为对应的轨迹,具有良好的准确性和高效性。
- 高斯混合分类中随机梯度下降的动力学平均场理论
通过使用动力学均场理论的方法,我们分析了随机梯度下降在单层神经网络分类高维高斯混合数据上的学习动态。我们通过定义一种随机过程将随机梯度下降扩展到连续时间极限,称之为随机梯度流,并探讨了算法控制参数对其在损失函数空间中的导航的影响。
- 绕开怪物:一种更快、更简单的实现环境下上下文二项式算法
该论文考虑了具有普适性假设的(随机性)上下文赌博问题,设计了一种快速、简单的算法,在所有 $T$ 回合中通过对离线回归神谕的 $logT$ 次调用实现了统计优化遗憾。我们的结果提供了第一个从上下文赌徒到离线回归的通用和最优化简化,解决了上下 - 无限宽深度神经网络的稳定行为
研究了全连接前馈深度神经网络中对称中心稳定分布下权重和偏置的独立同分布,证明了相应加权后权重的无穷宽极限是一种随机过程,其有限维分布是多元稳定分布。这一极限过程被称为稳定过程,并且扩展了最近利用高斯无穷宽极限进行的研究线路。
- 量化物理信息神经网络解决正向和反向随机问题的总不确定性
通过使用随机数据和 dropout 法来分别表示参数不确定性和近似不确定性,将经典的 PINN(物理信息神经网络)与 NN-aPC 的推广相结合,扩展了我们的工作到多维随机偏微分方程。
- ICML变分隐式过程
提出了基于隐含过程的变分推断方法并在贝叶斯神经网络、高斯过程等复杂模型的不确定性估计和误差下降方面,相比现有的推断方法获得更好的结果。