- 在有向无环图上进行多邻域协同学习
通过开发一种新的基于约束的方法,该方法用于估计多个用户指定目标节点周围的局部结构,从而在邻域之间实现结构学习协调,进而促进无需学习整个有向无环图结构的因果发现。实验结果表明,我们的算法在学习邻域结构时具有更高的准确性,且计算成本较低于传统方 - ICLR加速 LiNGAM:以 GPU 速度学习因果 DAG
通过将现有的因果发现方法进行高效并行化,可以使它们适用于数千个维度的数据集,从而解决了基于组合优化或搜索的现有方法在大规模数据集上运行速度慢的问题。具体地,我们并行化了 LiNGAM 方法,并加速其中的因果排序子过程,实现了与现有顺序实现相 - 利用缺失数据进行结构学习的最优传输
使用基于最优传输的打分算法,从缺失数据中学习因果结构,通过广泛的模拟和实验,论文证明了该方法在各种模拟和真实数据实验中比基线更有效地恢复了真实的因果图。
- 学习使用 GOMEA 的离散贝叶斯网络
从可解释人工智能的角度出发,本论文扩展了基于 Gene-pool Optimal Mixing Evolutionary Algorithm(GOMEA)的最新结构学习方法,用于联合学习变量的离散化。提出的离散贝叶斯网络 GOMEA(DBN - 高斯(多项式)树的最优估计
我们研究了学习无向高斯树和有向高斯多叉树的最优算法,考虑了分布学习和结构学习两个问题,通过推导出显式的有限样本保证并给出匹配的下界证明两种方法的最优性,同时进行了数值实验以比较各种算法的性能表现。
- ACL爪哇语依存分析的跨语言迁移学习
本研究旨在评估迁移学习在增强爪哇语的依存解析中的功效。使用了包括爪哇语在内的 100 多种语言的依存树库,提出了两种学习策略:迁移学习和分层迁移学习。结果表明,我们的最佳模型采用了分层迁移学习方法,相比基准模型,UAS 和 LAS 评估指标 - 大规模动态贝叶斯网络结构学习的分而治之策略
通过引入一种新颖的分而治之策略并将其应用于大规模动态贝叶斯网络结构学习,本论文在提高可伸缩性和准确性方面取得了重要突破,显著提升了计算效率和结构学习准确性。
- 监督结构学习
该研究论文探讨了离散生成模型的结构学习或发现,并侧重于贝叶斯模型选择和训练数据的吸收,特别关注数据摄入的顺序。基于预期自由能,将先验放置在模型选择上是关键之一。通过在 MNIST 数据集上进行图像分类以及在具有动力学的模型发现问题上的测试, - 离散贝叶斯网络的分布鲁棒骨架学习
从有可能被破坏数据中学习普通离散贝叶斯网络的确切骨架的问题,我们建立在分布鲁棒优化和回归方法基础上,提出通过在有界 Wasserstein 距离或 KL 散度内的一族分布上最小化最不利风险来进行优化。该最坏情况风险考虑了异常值的影响。该方法 - 使用随机微分方程的神经结构学习
基于连续时间随机微分方程和变分推断,我们提出了一种新的结构学习方法 SCOTCH,可以自然地处理任意时间点的学习和预测观测,并在合规和非合规采样间隔下,在合成和真实数据集上表现出较好的结构学习性能。
- 自适应随机邻域信息的结构学习
本研究介绍了一种新颖的 MCMC 采样器 PARNI-DAG,用于在观测数据下进行结构学习的完全贝叶斯方法。算法假设因果充分性,允许从有向无环图(DAGs)的后验分布中直接进行近似采样。PARNI-DAG 通过局部启发式、自适应的随机邻域提 - 因果结构学习算法对超参数选择的稳健性
该研究论文探讨了超参数对因果结构学习任务的影响,并对不同复杂度的数据集上的一些经典学习算法的超参数选择进行了实证评估。研究发现,在集成设置下,超参数选择强烈影响算法的选择,选择不当的超参数可能导致分析人员使用无法为其数据提供最先进性能的算法 - 快速高效从数据中学习贝叶斯网络:知识发现与因果关系
基于 PC 算法的 FSBN 和 SSBN 算法使用局部搜索策略和条件独立性测试从数据中学习因果网络结构,通过引入 d - 分离来推断更多的拓扑信息,优先级调整条件集,并且能够立即和高效地终止搜索,从而实现了高达 52%(FSBN)和 72 - 使用贪婪的量子搜索学习受限玻尔兹曼机
我们提出了相应的量子算法来解决 Restricted Boltzmann Machines 结构学习问题,并证明这些算法相对于经典算法在这两类 RBMs 的结构学习中具有多项式加速。
- 无约束结构学习与平滑无环定向
COSMO 是一种无约束的连续优化方案,用于无环结构学习,通过参数化的优先级向量定义可微分的方向矩阵的近似,能够以渐近更快的速度收敛到无环解,且在图结构重建方面相比其他方法表现优异。
- ICLR可扩展估计非参数马尔可夫网络的广义精度矩阵
使用广义精度矩阵(GPM),在所有数据类型(即连续、离散和混合类型)中表征了条件独立结构,提出了一种 Markov 网络结构学习算法,在处理大型图形时使用正则化评分匹配框架来统一所有情况。
- 基于反向知识蒸馏的生物启发式结构学习与脉冲神经网络
本文提出了一种基于进化算法的结构构建方法,通过集成知识蒸馏和连接修剪方法,优化 SNN 的突触连接以达到最优状态,并在 CIFAR100 和 DVS-Geste 上进行了实验,结果表明该方法可以在降低连接冗余的同时获得良好的性能。
- 概率电路的贝叶斯结构分数
本文提出了一种基于贝叶斯分数的确定性概率电路结构学习方法,其有效避免过拟合并实现快速准确的模型适配。
- AAAI基于结构学习的正义高效 Motif 搜索算法
本文提出了一种基于随机过程的方法来挖掘抽象化的图形模型中的结构语素,并通过标准测试发现其准确度比现有的结构学习方法高出了 6%,计算时间快 80%.
- 带泪滴有向无环图
提出了一种混合整数规划的新方法,名为 DAGs with Tears,用于在工业过程中更实用和有用地学习结构,并演示了该方法的优越性。