境外开放课程——按学科专业列表
开放课程→工程与技术科学→电子、通信与自动控制技术→信息处理技术::
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
![](functions/showpic.php?filename=2019042110572020.png)
Tutorial on Learning Deep Architectures[学习深层架构的教程]
Yann LeCun, Yoshua Bengio(蒙特利尔大学) 这篇关于深度学习的简短教程将回顾学习多层次,层次化表征的各种方法,强调它们的共同特征。虽然深层架构在表达能力和表示效率方面具有理论上的优势,但它们也为...
热度:29
Yann LeCun, Yoshua Bengio(蒙特利尔大学) 这篇关于深度学习的简短教程将回顾学习多层次,层次化表征的各种方法,强调它们的共同特征。虽然深层架构在表达能力和表示效率方面具有理论上的优势,但它们也为...
热度:29
![](functions/showpic.php?filename=2019042110520190.png)
Incorporating Domain Knowledge into Topic Modeling via Dirichlet Forest Priors[通过Dirichlet Forest Priors将领域知识纳入主题建模]
David Andrzejewski(威斯康星大学) 主题建模方法的用户通常具有关于在各种主题中应该具有高或低概率的单词的组成的知识。我们在Latent Dirichlet分配框架中使用新的Dirichlet森林来结合这样的领域...
热度:45
David Andrzejewski(威斯康星大学) 主题建模方法的用户通常具有关于在各种主题中应该具有高或低概率的单词的组成的知识。我们在Latent Dirichlet分配框架中使用新的Dirichlet森林来结合这样的领域...
热度:45
![](functions/showpic.php?filename=2019042110303983.png)
Generalization theory of two-part code MDL estimator[两部分代码MDL估计的泛化理论]
Tong Zhang(新泽西州立大学) 我将介绍两部分代码MDL估计器的有限样本泛化分析。此方法选择一个模型,该模型最小化模型描述长度的总和加上给定模型的数据描述长度。可以证明,在各种条件下,...
热度:98
Tong Zhang(新泽西州立大学) 我将介绍两部分代码MDL估计器的有限样本泛化分析。此方法选择一个模型,该模型最小化模型描述长度的总和加上给定模型的数据描述长度。可以证明,在各种条件下,...
热度:98
![](functions/showpic.php?filename=2019042110240738.png)
Predicting Diverse Subsets Using Structural SVMs[使用结构SVM预测不同子集]
Yisong Yue(加州理工学院) 在许多检索任务中,一个重要目标涉及检索不同组的结果(例如,覆盖搜索查询的各种主题的文档)。首先,这减少了冗余,有效地呈现了所呈现结果的更多信息。其次,...
热度:34
Yisong Yue(加州理工学院) 在许多检索任务中,一个重要目标涉及检索不同组的结果(例如,覆盖搜索查询的各种主题的文档)。首先,这减少了冗余,有效地呈现了所呈现结果的更多信息。其次,...
热度:34
![](functions/showpic.php?filename=2019042110093313.png)
Manifold Alignment using Procrustes Analysis[使用Procrustes分析进行流形对齐]
Chang Wang(马萨诸塞大学) 在本文中,我们基于Procrustes分析介绍了一种新的流形对齐方法。我们的方法与“半监督对齐”的不同之处在于,当使用合适的降维方法而不仅仅是训练数据点时,它会...
热度:158
Chang Wang(马萨诸塞大学) 在本文中,我们基于Procrustes分析介绍了一种新的流形对齐方法。我们的方法与“半监督对齐”的不同之处在于,当使用合适的降维方法而不仅仅是训练数据点时,它会...
热度:158
![](functions/showpic.php?filename=2019042109543750.png)
Poster: Dirichlet Process Mixture Models for Verb Clustering [海报:用于动词聚类的Dirichlet过程混合模型]
Andreas Vlachos(剑桥大学) 在这项工作中,我们将Dirichlet过程混合模型应用于自然语言处理(NLP)中的学习任务:词汇语义动词聚类。我们使用最近引入的V度量度量来评估基于Levin(1993)动...
热度:29
Andreas Vlachos(剑桥大学) 在这项工作中,我们将Dirichlet过程混合模型应用于自然语言处理(NLP)中的学习任务:词汇语义动词聚类。我们使用最近引入的V度量度量来评估基于Levin(1993)动...
热度:29
![](functions/showpic.php?filename=2019042109524479.png)
Beam Sampling for the Infinite Hidden Markov Model[无限隐马尔可夫模型的光束采样]
Jurgen Van Gael(剑桥大学) 无限隐马尔可夫模型是广泛使用的隐马尔可夫模型的非参数扩展。本文介绍了一种新的无限隐马尔可夫模型推理算法,称为波束采样。波束采样结合了切片采样,通过动态...
热度:62
Jurgen Van Gael(剑桥大学) 无限隐马尔可夫模型是广泛使用的隐马尔可夫模型的非参数扩展。本文介绍了一种新的无限隐马尔可夫模型推理算法,称为波束采样。波束采样结合了切片采样,通过动态...
热度:62
![](functions/showpic.php?filename=2019042108591145.png)
Efficient Projections onto the L1-Ball for Learning in High Dimensions[L1-Ball上的高效投影用于高维学习]
Yoram Singer(耶路撒冷希伯来大学) 我们描述了将矢量投影到L1球上的有效算法。我们提出了两种投影方法。第一个在O(n)时间内执行精确投影,其中n是空间的维度。第二个对矢量k起作用,其元素在L1球...
热度:72
Yoram Singer(耶路撒冷希伯来大学) 我们描述了将矢量投影到L1球上的有效算法。我们提出了两种投影方法。第一个在O(n)时间内执行精确投影,其中n是空间的维度。第二个对矢量k起作用,其元素在L1球...
热度:72
![](functions/showpic.php?filename=2019042108381718.png)
10 Year Best Paper: Combining Labeled and Unlabeled Data with Co-Training[10年最佳论文:将标记和未标记数据与协同培训相结合]
Jude W. Shavlik(威斯康星大学) 当只有一小组标记示例可用时,我们考虑使用大的未标记样本来提高学习算法的性能的问题。特别地,我们考虑由学习分类网页的任务所激发的问题设置,其中每个示例的...
热度:59
Jude W. Shavlik(威斯康星大学) 当只有一小组标记示例可用时,我们考虑使用大的未标记样本来提高学习算法的性能的问题。特别地,我们考虑由学习分类网页的任务所激发的问题设置,其中每个示例的...
热度:59
![](functions/showpic.php?filename=2019041909025529.png)
Learning Dissimilarities by Ranking: From SDP to QP[按排名学习差异:从SDP到QP]
Hua Ouyang(佐治亚理工学院) 我们考虑通过在点之间保持指定排序而不是相异度的数值的公式来学习点之间的不相似性的问题。不相似性排序(d排名)从诸如“A更类似于B而不是C与D”或“E和F之间...
热度:97
Hua Ouyang(佐治亚理工学院) 我们考虑通过在点之间保持指定排序而不是相异度的数值的公式来学习点之间的不相似性的问题。不相似性排序(d排名)从诸如“A更类似于B而不是C与D”或“E和F之间...
热度:97
![](functions/showpic.php?filename=2019041908594317.png)
A Decoupled Approach to Exemplar-based Unsupervised Learning[基于范例的无监督学习的解耦方法]
Sebastian Nowozin(马克斯普朗克研究所) 基于样本的无监督学习的最近趋势是将学习问题表述为凸优化问题。通过将可能的原型集限制为训练样本来实现凸性。特别是,这已经用于聚类,矢量量化和混合模型密度...
热度:51
Sebastian Nowozin(马克斯普朗克研究所) 基于样本的无监督学习的最近趋势是将学习问题表述为凸优化问题。通过将可能的原型集限制为训练样本来实现凸性。特别是,这已经用于聚类,矢量量化和混合模型密度...
热度:51
![](functions/showpic.php?filename=2019041908571169.png)
STAIR: The STanford Artificial Intelligence Robot project[STAIR:STanford人工智能机器人项目]
Andrew Ng, Andrew McCallum(斯坦福大学) 本演讲将描述STAIR家庭辅助机器人项目,以及导致关键STAIR组件的几个卫星项目,例如(i)机器人抓取以前未知的物体,(ii)来自单个静止图像的深度感知,以及(i...
热度:84
Andrew Ng, Andrew McCallum(斯坦福大学) 本演讲将描述STAIR家庭辅助机器人项目,以及导致关键STAIR组件的几个卫星项目,例如(i)机器人抓取以前未知的物体,(ii)来自单个静止图像的深度感知,以及(i...
热度:84
![](functions/showpic.php?filename=2019041908522098.png)
Efficiently Solving Convex Relaxations for MAP Estimation[有效解决MAP估计的凸松弛]
Pawan Kumar Mudigonda(牛津大学) 获得离散随机场的最大后验(MAP)估计的问题在计算机科学的许多领域中是至关重要的。在这项工作中,我们建立在Kolmogorov和Wainwright等人的树重加权消息传递(T...
热度:80
Pawan Kumar Mudigonda(牛津大学) 获得离散随机场的最大后验(MAP)估计的问题在计算机科学的许多领域中是至关重要的。在这项工作中,我们建立在Kolmogorov和Wainwright等人的树重加权消息传递(T...
热度:80
![](functions/showpic.php?filename=2019041908500752.png)
Poster: Using Prior Domain Knowledge to Build HMM-Based Semantic Tagger Trained on Completely Unannotated Data[海报:利用先验领域知识构建基于HMM的语义标记器,对完全未注释的数据进行训练]
Kinfe Tadesse Mengistu(马格德堡大学) 在本文中,我们提出了一种在完全未注释的数据上训练的强大的统计语义标记模型。该方法主要依赖于先前的领域知识来抵消缺乏语义注释的树库数据。所提出的方法通过...
热度:65
Kinfe Tadesse Mengistu(马格德堡大学) 在本文中,我们提出了一种在完全未注释的数据上训练的强大的统计语义标记模型。该方法主要依赖于先前的领域知识来抵消缺乏语义注释的树库数据。所提出的方法通过...
热度:65
![](functions/showpic.php?filename=2019041908312520.png)
Local Likelihood Modeling of Temporal Text Streams[局部似然法应用于时间文档序列的建模]
Guy Lebanon(普渡大学) 时间文本数据通常由时间变化过程或分布生成。静态似然技术不能捕获底层分布中的这种漂移。我们考虑将局部似然法应用于时间文档序列的生成和条件建模。我们研究渐...
热度:34
Guy Lebanon(普渡大学) 时间文本数据通常由时间变化过程或分布生成。静态似然技术不能捕获底层分布中的这种漂移。我们考虑将局部似然法应用于时间文档序列的生成和条件建模。我们研究渐...
热度:34