- DYNOTEARS: 从时间序列数据中进行结构学习
利用一种基于得分的方法来解决动态贝叶斯网络中的结构学习问题,该方法同时估计时间序列中变量之间的同步和时间滞后关系,并且在模拟数据和真实数据方面都具有较高的准确性和可扩展性,特别适用于需要学习变量间时间关系的多个问题。
- 混合有向无环图分布中因果结构的发现
研究通过混合因果模型来获得分布,并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。
- 二维手部姿态估计的非参数结构正则化机器
我们提出了一种新颖的非参数结构规范化机器用于 2D 手势估计,通过采用级联多任务架构和使用合成的手部掩模表示来学习手部结构和关键点表示,进一步采用概率表示和解剖学启发式技术,实验结果显示,显式地强制结构学习可以显著提高基线模型的姿态估计准确 - 带有结构学习的层次图池化
本文提出了一种新的 Hierarchical Graph Pooling with Structure Learning (HGP-SL) 图池化算子来生成图结构的分层表示,并将其与图神经网络相结合,专注于图分类任务。通过实验结果表明,这种 - 深度神经网络的可微稀疏化
本文提出一种全可微的神经网络稀疏化方法,结合随机梯度下降,可以训练参数为零的稀疏结构和权重。该方法直接适用于现代深度神经网络,对现有模型的修改最小,并为未来的结构学习和模型压缩方法奠定了基础。
- NIPS聚类变分近似用于不完整数据下连续时间贝叶斯网络结构学习
本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法,用于从不完整和嘈杂的时间序列数据中直接学习网络结构,并在可扩展性方面优于现有的方法。
- 概率软逻辑的可扩展结构学习
本文提出了两种优化方法用于针对 PSL 的结构学习,一种是基于贪心搜索的算法,另一种是结合生成子句的数据驱动和针对性能的伪似然性段分段优化(PPLL)目标的算法, 在五个实际任务中的比较表明 PPLL 实现了数量级运行时加速和 AUC 增益 - 使用贪心搜索从大数据中学习贝叶斯网络:计算复杂度和高效实现
本研究探讨了大数据环境下的贝叶斯网络结构学习问题,提出了使用预测性好坏拟合评分来加速贝叶斯网络学习的方法,并在环境和流行病学数据以及公共数据集上验证了其准确性。
- CVPR学习 CNN 滤波器的结构和强度,用于小样本训练
本文提出了一种基于学习滤波器结构和强度的 SSF-CNN 架构来解决小样本问题,并在 MNIST、CIFAR10、NORB 和新生儿人脸识别等领域得到了表现优异的结果。
- NIPS无眼泪的 DAGs:结构学习的连续优化
本文提出了一种基于优化问题的连续方法,来解决结构学习问题,避免了组合约束,并有效地提高算法效率。该方法在没有强加任何结构假设的情况下,优于其它现有方法。
- NIPS使用静态分析推断生成模型结构
本研究提出了 Coral 方法,通过静态分析编码中的启发式规则来实现生成模型结构的推断,从而减少了学习结构所需的数据,并证明了 Coral 的样本复杂度随启发式规则数量和关系数量呈近线性缩放,能够很好地模型互相关联来提升性能,其在医学成像数 - NIPS不均匀超图聚类与应用
提出了一种新的超图聚类技术,称为不均匀超图划分,其将不同的代价分配给不同的超图切割,证明了如果不均匀代价满足次模性约束,则不均匀划分产生了最优解的二次近似,并证明了在许多应用中可以获得显着的性能改进。
- CVPR贪心层次组合模型的结构学习
该研究提出了一种基于分层组合模型 (HCMs) 的结构学习框架,旨在解决现有方法在物体结构和训练数据方面的限制,并通过背景模型将前景 - 背景分割问题整合到结构学习任务中,在只使用类别标签的情况下采用贪婪的结构学习方法确定层次结构的层数和每 - AAAI应用结构学习的稀疏玻尔兹曼机在文本分析中的应用
本文研究了深度模型中结构学习的可能性和益处,重点探讨了 Restricted Boltzmann Machines,介绍了一种 Sparse Boltzmann Machines 的学习方法,并通过实验结果显示 Sparse Boltzma - 形式化纳拉斯的船:在线因果学习的近似算法
研究发现,认知过程会依赖世界模型的学习,而精确的贝叶斯推断成本随着关系数量的增加而急剧上升,因此表明基于前因后果关系的学习过程必须是相当近似的,而本文给出了一个基于 Neurath’s ship 比喻以及机器学习中的近似算法来探讨因果结构学 - IJCAI关系逻辑回归的学习算法:初步结果
本文提出了基于关系逻辑回归(RLR)的学习算法,通过结构学习和参数学习两个步骤,使用加权公式表示条件概率,对多关系数据进行建模。实验结果表明,在 MovieLens 数据集上,RLR 方法相对于标准逻辑回归和 RDN-Boost 方法具有更 - 图形建模中的结构学习
本文回顾和讨论了一些关于图模型的进展,包括了无向图模型和有向图模型的估计方法,以及处理潜在变量和异构数据源的拓展。
- ICML结构化预测能量网络
本论文提出了一种灵活的结构化预测框架 — 结构化预测能量网络(SPEN),通过使用一个深层架构来定义候选标签的能量函数,使用反向传播来迭代地优化标签的能量,从而进行预测。该框架能够捕捉标签之间的依赖关系,以及自动学习结构化输出的有区别特征, - 机器学习的新优化方法
介绍了优化机器学习问题的几种新方法,包括针对有限和图结构目标的优化方法,其中包括针对固定结构的参数学习、结构学习和同时学习等方法。
- 基于分布与结构学习的无弦有向无环图路径等价性
本文研究了基于得分的贪心搜索算法用于学习无环路径图的结构,并且证明了一些 BAPs 分布等价(distributional equivalence)的必要和充分条件,这种算法可以推断因果效应的下界,同时通过真实数据和模拟数据的应用进行了验证