关键词transition probabilities
搜索结果 - 11
- 基于转移概率的一步多视角聚类
基于过渡概率的一步多视角聚类方法(OSMVC-TP)为大规模多视角聚类算法引入了概率方法,利用锚图从样本到锚点的过渡概率来直接学习锚点到类别的过渡概率和样本到类别的过渡概率,从而获得样本和锚点的软标签矩阵,增强了聚类的可解释性,并通过在软标 - 环境临近目标培训的意想不到的收获
通过添加可量化的参数噪声到训练的转移函数中,在新的环境中评估增强学习代理的推广能力。我们展示了在 60 个不同的 ATARI 游戏变体中,包括 PacMan、Pong 和 Breakout,通过在替代的噪声设置下训练代理能获得较好的结果。
- 带有标签和转移概率的神经 HMM 的端到端训练
利用隐马尔可夫模型(HMM)对端到端神经网络训练进行新颖的建模方法进行研究,该方法中隐藏状态之间的转移概率被显式建模和学习,通过 GPU 加速的前向后向算法实现标签和转移概率的同时训练,结果显示转移模型训练并不能提高识别性能,但对齐质量有积 - 多任务高斯过程的时变转移矩阵
本文介绍了一种基于核的多任务高斯过程模型,用于利用具有两个状态的时间不均匀马尔可夫过程(移动和暂停)来近似个体移动状态的基本功能,并介绍了时间可变性,并利用 Toeplitz 和 Kronecker 积的结构加速 GP 估计和推理,其中数值 - 噪声标签下的元迁移适应性强鲁棒深度学习
研究提出了一种新的元过渡学习策略,基于少量原始数据实现在不需要任何 anchor 点假设的前提下,改善了噪声标签对分类器参数和噪声转移矩阵的影响,并且证明了该方法在正确估计期望过渡矩阵方面具有统计一致性保证,该方法的实验表明其比先前的方法更 - ECCV带有偏差互补标签的学习
本文提出了一个框架,它使用没有偏见的转移概率估计,提供了一个通用的方法来修改传统的损失函数,并扩展标准的深度神经网络分类器,从而使其能够学习偏差的互补标签,并且确保了使用互补标签学习分类器收敛于使用真实标签学习的最优分类器。综合实验表明,本 - ICML具有相似性偏置转移的无限隐马尔可夫模型
本文介绍了一个对层级狄利克雷过程隐藏马尔可夫模型 (HDP-HMM) 的拓展,它可以编码关于状态转换更可能发生在 “相邻” 的状态之间的先验信息,并通过在状态空间上定义相似度函数和通过成对相似度缩放转移概率,从而在转移分布之间引入相关性。该 - NIPS马尔可夫模型中的快速双向概率估计
本研究开发了一种双向算法来估计马尔可夫链的多步转移概率,该方法适用于离散状态空间上的任何马尔可夫链,可以用于计算多步转移概率的函数,并且在 “稀疏” 马尔可夫链中,该方法的运行时间比 Monte Carlo 和功率迭代算法更小。
- 关于 PageRank 优化的遍历控制和多面体方法
本文研究了一类 PageRank 优化问题,其中设计限制约束了网页的出链策略,模型可以通过约束马尔可夫决策过程进行建模,讨论了优化出链策略的定性特征,发现存在一个 “主站点”,所有控制网页都应指向此站点,并在实际 Web 图的片段上展示了数 - 社交网络中的动态和爆发式交互
我们提出了一个用于动态和爆发性社交互动代理联系网络的建模框架,考虑了在短时间尺度内各种尺寸的断开的小组成为接触网络的情况,通过考虑具有记忆效应的转换概率获取不同的接触时间和个体之间的两次接触的时间。
- 顶点增强随机游动
本文研究了一类有限状态空间上的非 Markov 离散随机过程,探讨了状态访问次数和先验概率矩阵对转移概率的影响以及分数占用向量的极限行为,证明了极限点集合为满足某些特定条件的二次型的临界点集,具有一定的概率极限,否则极限为 0。