- 最大边际自由度的上界
这篇文章研究了核岭回归中的低秩逼近和替代方法,通过引入降维算法和核函数的正则性,探讨了降维逼近的有效维度与正则化参数的增长关系,并证明了对于合适的核函数,这种增长是渐近对数的,从而使得低秩逼近成为纽斯特伦方法。
- 通用物理变换器
基于深度神经网络的偏微分方程替代模型近年来越来越受关注。我们引入了通用物理变换器 (UPTs),这是一种新的学习范式,可以模拟广泛的时空问题,包括拉格朗日离散和欧拉离散方案,而无需网格或基于粒子的潜在结构。UPTs 通过逆编码和解码技术在潜 - ICML缺乏真实情况下提升建模公平性评估
使用替代品来充当反事实标签以解决缺失真实后果问题,从而实现对基于 AI 的自动决策系统中使用提升模型进行公平评估的增强。
- 利用替代性结果进行连续治疗效果评估
在许多实际因果推断应用中,主要结果(标签)通常部分缺失,特别是如果它们昂贵或难以收集。本文研究了替代变量在估计连续性处理效应中的作用,并提出了一种双重稳健方法,以有效地将替代变量纳入分析中,该方法使用标记和未标记数据,并不受选择偏差问题的影 - 用于电网运行风险评估的图神经网络
研究了图神经网络(GNN)替代物在电网日常运营中基于蒙特卡罗(MC)取样的风险量化中的实用性。通过使用监督学习训练 GNN 替代物,它们被用于获取感兴趣的数量(运行储备、输电线路流量)的蒙特卡罗(MC)样本,给定(提前几小时的)概率性风力发 - 喷射流与高爆药互动的时空替代物:第一部分 —— 小样本分析
本研究通过一个二维的喷气与高爆相互作用问题,探讨如何构建高质量的拟数据,同时分析大量数据集的方法,并提出了提高拟合精度的简便方法。
- 域不可知的 Fourier 神经算子
提出了一种针对具有无规则几何形状和演变域的物理系统建模问题,称作 DAFNO 的新型神经算子体系结构,它在积分层架构中引入了平滑的特征函数,并利用 FFT 来将几何信息显式编码。在材料建模和气动力学仿真等基准数据集上,DAFNO 实现了与基 - 通过潜在代理表示学习估计长期因果效应
本研究提出了一种基于可识别变分自动编码器的灵活方法,用于在现实情况下估算长期因果效应,该情况中代理在短期结果中被观察或具有观察代理。通过恢复所有候选代理中的有效代理,可以进一步设计长期因果效应的无偏估计。实验结果验证了该方法的有效性。
- 高斯 - 埃尔米特积分的期望超体积改进的高效近似
使用 Gauss-Hermite 积分作为新的求解多目标优化问题的方法,比起传统的蒙特卡罗模拟方法,准确性更高,且可以处理两个或者多个相关联的目标变量。
- 无需可微分优化的决策导向学习:学习局部优化的决策损失
本文介绍了一种全新的决策化学习方法,通过学习任务特定的损失函数代替了传统的基于代理的优化方法,与先前的工作相比,该方法不需要手工制定基于任务的代理,性能更好且更易用。
- ECCVNSGANetV2: 进化多目标代理辅助神经架构搜索
本文提出了一种高效的 NAS 算法,用于生成具有多个竞争目标的任务特定模型,在标准基准数据集上表现优异,且搜索效率大幅提高,并在六个不同的非标准数据集上证明了该方法的有效性和多样性。
- Mercer 核和综合方差实验设计:高斯过程回归和多项式逼近之间的联系
研究实验设计过程以开发计算模型代理, 探索实验设计和近似算法之间的相互作用。重点研究了两种广泛使用的近似方法:高斯过程回归和非侵入式多项式近似。
- 基于 3D 辅助的物体新视角图像特征合成
该研究提出了一种使用 3D 模型和特征合成技术来实现物体多视角特征提取和无关视角比较的方法,并在细粒度图像检索和分类任务中表现出良好的性能。
- ICML利用一阶替代函数进行优化
本文研究迭代最小化目标函数代理的优化方法,通过算法变体和收敛性分析,提出一种统一的视角来看待加速近端梯度、区块坐标下降或 Frank-Wolfe 算法等一阶优化技术,并引入一种新的增量方案,实验证明与大规模机器学习优化问题中的最先进解算器匹