图 书 馆境外开放课程——按学科专业列表
开放课程→自然科学→信息科学与系统科学::
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
376Large-Scale Collaborative Prediction Using a Nonparametric Random Effects Model[基于非参数随机效应模型的大规模协同预测]
Kai Yu(美国NEC实验室) 引入了非参数模型，允许多个相关的回归任务从公共数据空间获取输入。如果输出之间的依赖性不能通过已知的输入特定和任务特定预测变量完全解决，则传统的转移学习...
热度：71
Kai Yu(美国NEC实验室) 引入了非参数模型，允许多个相关的回归任务从公共数据空间获取输入。如果输出之间的依赖性不能通过已知的输入特定和任务特定预测变量完全解决，则传统的转移学习...
热度：71
377Online Learning by Ellipsoid Method[椭球法在线学习]
Liu Yang(卡内基梅隆大学) 在这项工作中，我们扩展了椭球方法，该方法最初是为凸优化而设计的，用于在线学习。关键思想是通过椭球来近似与迄今为止收到的所有训练样例一致的分类假设。这与...
热度：351
Liu Yang(卡内基梅隆大学) 在这项工作中，我们扩展了椭球方法，该方法最初是为凸优化而设计的，用于在线学习。关键思想是通过椭球来近似与迄今为止收到的所有训练样例一致的分类假设。这与...
热度：351
378Third Annual Reinforcement Learning Competition[第三届年度强化学习竞赛]
David Wingate(麻省理工学院) 在去年的竞赛和之前的基准赛事的基础上，本次活动将成为强化学习研究人员在一系列具有挑战性的领域中严格比较其方法表现的论坛。比赛决赛和研讨会将在加拿大蒙特...
热度：213
David Wingate(麻省理工学院) 在去年的竞赛和之前的基准赛事的基础上，本次活动将成为强化学习研究人员在一系列具有挑战性的领域中严格比较其方法表现的论坛。比赛决赛和研讨会将在加拿大蒙特...
热度：213
379Deep Learning via Semi-Supervised Embedding[半监督嵌入的深度学习]
Jason Weston(脸书公司) 我们展示了非常适用于浅半监督学习技术（如内核方法）的非线性嵌入算法如何应用于深层多层体系结构，既可以作为输出层的正则化器，也可以应用于体系结构的每一层...
热度：69
Jason Weston(脸书公司) 我们展示了非常适用于浅半监督学习技术（如内核方法）的非线性嵌入算法如何应用于深层多层体系结构，既可以作为输出层的正则化器，也可以应用于体系结构的每一层...
热度：69
380Survey of Boosting from an Optimization Perspective[从优化角度考察增压]
S.V.N. Vishwanathan, Manfred K. Warmuth(加州大学圣克鲁兹分校) 提升已成为众所周知的集合方法。该算法在±标记的示例上维护分布，并且以商定的方式添加新的基础学习器。目标是获得一个基本学习者的小型线性组合，明确区分这些...
热度：40
S.V.N. Vishwanathan, Manfred K. Warmuth(加州大学圣克鲁兹分校) 提升已成为众所周知的集合方法。该算法在±标记的示例上维护分布，并且以商定的方式添加新的基础学习器。目标是获得一个基本学习者的小型线性组合，明确区分这些...
热度：40
381Evaluation Methods for Topic Models [主题模型评价方法]
Hanna M. Wallach(马萨诸塞大学) 统计主题模型的自然评估度量是给定训练模型的持有文档的概率。虽然这种概率的精确计算是难以处理的，但是在主题建模文献中已经使用了这种概率的几个估计量，包括...
热度：203
Hanna M. Wallach(马萨诸塞大学) 统计主题模型的自然评估度量是给定训练模型的持有文档的概率。虽然这种概率的精确计算是难以处理的，但是在主题建模文献中已经使用了这种概率的几个估计量，包括...
热度：203
382Factored Conditional Restricted Boltzmann Machines for Modeling Motion Style[基于因子约束条件的玻尔兹曼机建模]
Graham Taylor(圭尔夫大学) 条件限制玻尔兹曼机（CRBM）是最近提出的时间序列模型，具有丰富的分布式隐藏状态，并允许简单，精确的推理。我们提出了一种基于CRBM的新模型，该模型保留了其最...
热度：98
Graham Taylor(圭尔夫大学) 条件限制玻尔兹曼机（CRBM）是最近提出的时间序列模型，具有丰富的分布式隐藏状态，并允许简单，精确的推理。我们提出了一种基于CRBM的新模型，该模型保留了其最...
热度：98
383An Efficient Projection for L1 Infinity Regularization[l1无穷正则化的一种有效投影]
Ariadna Quattoni(加泰罗尼亚政治大学) 近年来，已提出L1，Infinity范数用于联合正则化。实质上，这种类型的正则化旨在将用于学习稀疏模型的L1框架扩展到目标是学习一组联合稀疏模型的环境。在本文...
热度：42
Ariadna Quattoni(加泰罗尼亚政治大学) 近年来，已提出L1，Infinity范数用于联合正则化。实质上，这种类型的正则化旨在将用于学习稀疏模型的L1框架扩展到目标是学习一组联合稀疏模型的环境。在本文...
热度：42
384Independent Factor Topic Models[独立因素主题模型]
Duangmanee (Pew) Putthividhya(加州大学圣地亚哥分校) 诸如Latent Dirichlet Allocation（LDA）和Correlated Topic Model（CTM）之类的主题模型最近已成为用于文本文档建模的强大统计工具。在本文中，我们改进了CTM并...
热度：22
Duangmanee (Pew) Putthividhya(加州大学圣地亚哥分校) 诸如Latent Dirichlet Allocation（LDA）和Correlated Topic Model（CTM）之类的主题模型最近已成为用于文本文档建模的强大统计工具。在本文中，我们改进了CTM并...
热度：22
385Welcome to the Multidisciplinary Symposium on Reinforcement Learning[欢迎参加关于加强学习的多学科研讨会]
Doina Precup(麦吉尔大学) 在过去的25年中，强化学习研究取得了长足的进步，并在多个领域产生了重大影响，包括*人工智能*最优控制*神经科学*心理学*经济学*运筹学这些是不同的领域，具有不...
热度：28
Doina Precup(麦吉尔大学) 在过去的25年中，强化学习研究取得了长足的进步，并在多个领域产生了重大影响，包括*人工智能*最优控制*神经科学*心理学*经济学*运筹学这些是不同的领域，具有不...
热度：28
386Constraint Relaxation in Approximate Linear Programs[近似线性规划中的约束松弛]
Marek Petrik(马萨诸塞大学) 近似线性规划（ALP）是一种具有良好理论属性的强化学习技术，但在实践中往往表现不佳。我们在近似引起虚拟循环的问题中找出了ALP解决方案质量差的一些原因。然后...
热度：75
Marek Petrik(马萨诸塞大学) 近似线性规划（ALP）是一种具有良好理论属性的强化学习技术，但在实践中往往表现不佳。我们在近似引起虚拟循环的问题中找出了ALP解决方案质量差的一些原因。然后...
热度：75
387Blockwise Coordinate Descent Procedures for the Multi-Task Lasso with Applications to Neural Semantic Basis Discovery[多任务套索的分块协调下降法及其在神经语义基发现中的应用]
Mark Palatucci(卡内基梅隆大学) 我们为多任务Lasso开发了一种循环的块状坐标下降算法，可有效地解决数千个特征和任务的问题。主要结果表明，可以获得一个封闭形式的Winsorization算子用于支持最...
热度：22
Mark Palatucci(卡内基梅隆大学) 我们为多任务Lasso开发了一种循环的块状坐标下降算法，可有效地解决数千个特征和任务的问题。主要结果表明，可以获得一个封闭形式的Winsorization算子用于支持最...
热度：22
388Sequential Bayesian Prediction in the Presence of Changepoints
Michael Osborne(牛津大学) 我们引入了一种新的顺序算法，用于在存在变化点的情况下进行稳健的预测。与先前关注检测和定位变化点问题的方法不同，我们的算法侧重于即使在可能存在这种变化时...
热度：38
Michael Osborne(牛津大学) 我们引入了一种新的顺序算法，用于在存在变化点的情况下进行稳健的预测。与先前关注检测和定位变化点问题的方法不同，我们的算法侧重于即使在可能存在这种变化时...
热度：38
389Robust Bounds for Classification via Selective Sampling[通过选择性采样进行分类的稳健界限]
Francesco Orabona(芝加哥丰田技术学院) 我们在选择性采样协议中引入了一种新的二进制分类算法。我们的算法使用正则化最小二乘法（RLS）作为基本分类器，因此可以在任何RKHS中有效地运行。与先前基于边...
热度：34
Francesco Orabona(芝加哥丰田技术学院) 我们在选择性采样协议中引入了一种新的二进制分类算法。我们的算法使用正则化最小二乘法（RLS）作为基本分类器，因此可以在任何RKHS中有效地运行。与先前基于边...
热度：34
390Solution Stability in Linear Programming Relaxations: Graph Partitioning and Unsupervised Learning[线性规划松弛的解稳定性：图分割和无监督学习]
Sebastian Nowozin(马克斯普朗克研究所) 我们提出了一种新方法来量化机器学习中出现的大类组合优化问题的解决方案稳定性。作为实际例子，我们将方法应用于相关聚类，聚类聚集，模块化聚类和相对性能信号...
热度：83
Sebastian Nowozin(马克斯普朗克研究所) 我们提出了一种新方法来量化机器学习中出现的大类组合优化问题的解决方案稳定性。作为实际例子，我们将方法应用于相关聚类，聚类聚集，模块化聚类和相对性能信号...
热度：83