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::
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
![](functions/showpic.php?filename=2019042404415743.png)
Convex Variational Bayesian Inference for Large Scale Generalized Linear Models[大尺度广义线性模型的凸变分贝叶斯推理]
Hannes Nickisch(马克斯普朗克研究所) 我们展示了如何为非常大的广义线性模型实现变分贝叶斯推理。我们的松弛被证明是任何对数凹模型的凸问题。我们提供了一种通用的双循环算法,用于在具有任意超高斯...
热度:21
Hannes Nickisch(马克斯普朗克研究所) 我们展示了如何为非常大的广义线性模型实现变分贝叶斯推理。我们的松弛被证明是任何对数凹模型的凸问题。我们提供了一种通用的双循环算法,用于在具有任意超高斯...
热度:21
![](functions/showpic.php?filename=2019042404392520.png)
Unsupervised Discovery of Structure, Succinct Representations and Sparsity[结构的无监督发现、简洁的表示和稀疏性]
Andrew Ng(斯坦福大学) 我们描述了一类无监督学习方法,它们学习训练数据的稀疏表示,从而识别有用的特征。此外,我们展示了这些思想的深度学习(多层)版本,基于稀疏DBN的思想,学习...
热度:38
Andrew Ng(斯坦福大学) 我们描述了一类无监督学习方法,它们学习训练数据的稀疏表示,从而识别有用的特征。此外,我们展示了这些思想的深度学习(多层)版本,基于稀疏DBN的思想,学习...
热度:38
![](functions/showpic.php?filename=2019042404363127.png)
Reinforcement Learning, Apprenticeship Learning and Robotic Control[强化学习,学徒学习和机器人控制]
Andrew Ng(斯坦福大学) 事实证明,强化学习是机器人控制的有效方法。在本次演讲中,借鉴自主直升机飞行,四足机器人控制和自动驾驶的例子,我将描述我们在将RL算法应用于各种控制问题时...
热度:55
Andrew Ng(斯坦福大学) 事实证明,强化学习是机器人控制的有效方法。在本次演讲中,借鉴自主直升机飞行,四足机器人控制和自动驾驶的例子,我将描述我们在将RL算法应用于各种控制问题时...
热度:55
![](functions/showpic.php?filename=2019042404331346.png)
Partial Order Embedding with Multiple Kernels[具有多个内核的部分顺序嵌入]
Brian McFee(加州大学圣地亚哥分校) 我们考虑将任意对象(例如,图像,音频,文档)嵌入到欧几里得空间中的问题,其受到偏对称的偏序的约束。当人类对相似性的感知进行建模时,偏序约束就会自然产生...
热度:49
Brian McFee(加州大学圣地亚哥分校) 我们考虑将任意对象(例如,图像,音频,文档)嵌入到欧几里得空间中的问题,其受到偏对称的偏序的约束。当人类对相似性的感知进行建模时,偏序约束就会自然产生...
热度:49
![](functions/showpic.php?filename=2019042404302225.png)
Identifying Suspicious URLs: An Application of Large-Scale Online Learning[识别可疑URL:大规模在线学习的应用]
Justin Ma(加州大学) 本文探讨了使用相关URL的词汇和基于主机的功能来检测恶意网站(涉及犯罪诈骗的网站)的在线学习方法。我们证明该应用程序特别适用于在线算法,因为训练数据的大...
热度:73
Justin Ma(加州大学) 本文探讨了使用相关URL的词汇和基于主机的功能来检测恶意网站(涉及犯罪诈骗的网站)的在线学习方法。我们证明该应用程序特别适用于在线算法,因为训练数据的大...
热度:73
![](functions/showpic.php?filename=2019042404252937.png)
PAC-Bayesian Learning of Linear Classifiers[线性分类器的PAC贝叶斯学习]
Mario Marchand(拉瓦尔大学) 我们提出了一个通用的PAC贝叶斯定理,从中可以简单地获得所有已知的PAC贝叶斯边界作为特定情况。我们还提出了不同的学习算法来寻找线性分类器,以最小化这些PAC...
热度:66
Mario Marchand(拉瓦尔大学) 我们提出了一个通用的PAC贝叶斯定理,从中可以简单地获得所有已知的PAC贝叶斯边界作为特定情况。我们还提出了不同的学习算法来寻找线性分类器,以最小化这些PAC...
热度:66
![](functions/showpic.php?filename=2019042309134713.png)
Poster Spotlights: Hierarchical Skill Learning for High-Level Planning[海报聚焦:高级计划的分层技能学习]
James MacGlashan(布朗大学) 我们提出技能引导,一个为代理学习和规划提出的新研究方向,允许代理从低级原始动作开始,并开发可用于更高级别规划的技能。技能是在解决域中的多个不同问题的过...
热度:80
James MacGlashan(布朗大学) 我们提出技能引导,一个为代理学习和规划提出的新研究方向,允许代理从低级原始动作开始,并开发可用于更高级别规划的技能。技能是在解决域中的多个不同问题的过...
热度:80
![](functions/showpic.php?filename=2019042309105858.png)
Transfer Learning for Collaborative Filtering via a Rating-Matrix Generative Model[通过评级矩阵生成模型进行协同过滤的转移学习]
Bin Li(复旦大学) 跨域协作过滤通过跨多个域转移评级知识来解决稀疏性问题。在本文中,我们提出了一个评级矩阵生成模型(RMGM),用于有效的跨域协作过滤。我们首先表明,可以通过...
热度:160
Bin Li(复旦大学) 跨域协作过滤通过跨多个域转移评级知识来解决稀疏性问题。在本文中,我们提出了一个评级矩阵生成模型(RMGM),用于有效的跨域协作过滤。我们首先表明,可以通过...
热度:160
![](functions/showpic.php?filename=2019042308454264.png)
Learning Prediction Suffix Trees with Winnow[用Winnow学习预测后缀树]
Nikos Karampatziakis(康奈尔大学) 预测后缀树(PST)是用于建模序列的流行工具,并已成功应用于许多领域,例如压缩和语言建模。在这项工作中,我们将经过充分研究的Winnow算法应用于学习PST的任务...
热度:36
Nikos Karampatziakis(康奈尔大学) 预测后缀树(PST)是用于建模序列的流行工具,并已成功应用于许多领域,例如压缩和语言建模。在这项工作中,我们将经过充分研究的Winnow算法应用于学习PST的任务...
热度:36
![](functions/showpic.php?filename=2019042308430519.png)
Orbit-Product Representation and Correction of Gaussian Belief Propagation[高斯信念传播的轨道 - 乘积表示与校正]
Jason K. Johnson(麻省理工学院) 我们提出了一种新的高斯信念传播(GaBP)视图,它基于行列式的表示作为图形的乘积或位。我们证明了GaBP确定估计捕获了图的完全回溯轨道,并考虑如何纠正这个估计...
热度:145
Jason K. Johnson(麻省理工学院) 我们提出了一种新的高斯信念传播(GaBP)视图,它基于行列式的表示作为图形的乘积或位。我们证明了GaBP确定估计捕获了图的完全回溯轨道,并考虑如何纠正这个估计...
热度:145
![](functions/showpic.php?filename=2019042308214447.png)
Dynamic Analysis of Multiagent Q-learning with e-greedy Exploration[基于E-贪婪机制的多智能体Q学习动态分析]
Eduardo Rodrigues Gomes(斯威本科技大学) 随着该领域迅速在各种领域中应用,开发用于理解和模拟多代理学习者的预期行为的机制变得越来越重要。在本文中,我们提出了一个框架,使用贪婪的探索机制模拟Q学...
热度:95
Eduardo Rodrigues Gomes(斯威本科技大学) 随着该领域迅速在各种领域中应用,开发用于理解和模拟多代理学习者的预期行为的机制变得越来越重要。在本文中,我们提出了一个框架,使用贪婪的探索机制模拟Q学...
热度:95
![](functions/showpic.php?filename=2019042110210516.png)
Training SVM with Indefinite Kernels[使用无限内核训练SVM]
Jieping Ye(密歇根大学) 从许多应用程序生成的相似性矩阵可能不是半正的,因此不适合内核机器框架。在本文中,我们研究了具有不确定内核的训练支持向量机的问题。我们考虑一个正则化的SV...
热度:62
Jieping Ye(密歇根大学) 从许多应用程序生成的相似性矩阵可能不是半正的,因此不适合内核机器框架。在本文中,我们研究了具有不确定内核的训练支持向量机的问题。我们考虑一个正则化的SV...
热度:62
![](functions/showpic.php?filename=2019042109441116.png)
Training Restricted Boltzmann Machines using Approximations to the Likelihood Gradient[训练受限玻尔兹曼机器使用逼近似然梯度的近似]
Tijmen Tieleman(多伦多大学) 介绍了一种训练受限玻尔兹曼机器的新算法。该算法名为Persistent Contrastive Divergence,与标准的Contrastive Divergence算法不同,它的目的是从几乎完全模型...
热度:70
Tijmen Tieleman(多伦多大学) 介绍了一种训练受限玻尔兹曼机器的新算法。该算法名为Persistent Contrastive Divergence,与标准的Contrastive Divergence算法不同,它的目的是从几乎完全模型...
热度:70
![](functions/showpic.php?filename=2019042108354264.png)
Learning to Classify with Missing and Corrupted Features[学习使用缺失和损坏的功能进行分类]
Ohad Shamir(魏茨曼科学研究所) 在使用机器学习算法训练分类器并在现实世界系统中使用之后,它经常面对未出现在训练数据中的噪声。特别是,某些功能子集可能丢失或可能已损坏。我们提出了两种新...
热度:60
Ohad Shamir(魏茨曼科学研究所) 在使用机器学习算法训练分类器并在现实世界系统中使用之后,它经常面对未出现在训练数据中的噪声。特别是,某些功能子集可能丢失或可能已损坏。我们提出了两种新...
热度:60
![](functions/showpic.php?filename=2019041909082847.png)
On the Chance Accuracies of Large Collections of Classifiers[关于大量量词的机会准确性]
Mark Palatucci(卡内基梅隆大学) 我们提供了大量分类器的机会准确性的理论分析。我们证明了在少数例子的问题上,一些分类器可以通过随机机会很好地执行,并且我们推导出一个定理来明确地计算这个...
热度:57
Mark Palatucci(卡内基梅隆大学) 我们提供了大量分类器的机会准确性的理论分析。我们证明了在少数例子的问题上,一些分类器可以通过随机机会很好地执行,并且我们推导出一个定理来明确地计算这个...
热度:57