境外开放课程——最近更新(30天)
121
122
123
124
125
126
127
128
129
130

Incremental Method for Spectral Clustering of Increasing Orders[递增阶谱聚类的增量方法]
Pin-Yu Chen(KDD 2016研讨会) 图拉普拉斯矩阵的最小特征值和相关特征向量(即特征对)已被广泛用于光谱聚类和群落检测。然而,在实际应用中,集群或社区的数量(比如K)通常是先验未知的。因...
更新时间:2025-03-10 11:04:48
Pin-Yu Chen(KDD 2016研讨会) 图拉普拉斯矩阵的最小特征值和相关特征向量(即特征对)已被广泛用于光谱聚类和群落检测。然而,在实际应用中,集群或社区的数量(比如K)通常是先验未知的。因...
更新时间:2025-03-10 11:04:48

Scaling Overlapping Clustering[缩放重叠聚类]
Kyle Kloster(KDD 2016研讨会) 识别社区在理解大型网络的结构中起着核心作用。随着从业者分析越来越大的网络,了解候选算法的计算复杂性变得越来越重要。我们研究了用于重叠社区检测的链接聚类...
更新时间:2025-03-10 11:04:29
Kyle Kloster(KDD 2016研讨会) 识别社区在理解大型网络的结构中起着核心作用。随着从业者分析越来越大的网络,了解候选算法的计算复杂性变得越来越重要。我们研究了用于重叠社区检测的链接聚类...
更新时间:2025-03-10 11:04:29

Exploiting the Computation Graph for Large Scale Distributed Machine Learning[利用计算图进行大规模分布式机器学习]
S.V.N. Vishwanathan(KDD 2016研讨会) 许多机器学习算法将正则化风险降至最低。众所周知,随机优化算法在理论和实践上都有很好的动机来实现正则化风险最小化。不幸的是,随机优化不容易并行化。在本次...
更新时间:2025-03-10 11:04:21
S.V.N. Vishwanathan(KDD 2016研讨会) 许多机器学习算法将正则化风险降至最低。众所周知,随机优化算法在理论和实践上都有很好的动机来实现正则化风险最小化。不幸的是,随机优化不容易并行化。在本次...
更新时间:2025-03-10 11:04:21

Statistical Methods for Modeling Network Distributions[网络分布建模的统计方法]
Jennifer Neville(KDD 2016研讨会) 最近对分析复杂系统网络结构的兴趣推动了对网络结构模型和算法的大量研究,以自动发现用于预测模型的模式。然而,稳健的统计模型可以准确地表示图总体上的分布,...
更新时间:2025-03-10 11:04:14
Jennifer Neville(KDD 2016研讨会) 最近对分析复杂系统网络结构的兴趣推动了对网络结构模型和算法的大量研究,以自动发现用于预测模型的模式。然而,稳健的统计模型可以准确地表示图总体上的分布,...
更新时间:2025-03-10 11:04:14

Node Representation in Mining Heterogeneous Information Networks[异构信息网络挖掘中的节点表示]
Yizhou Sun(KDD 2016研讨会) 挖掘信息网络的挑战之一是缺乏将节点表示为低维空间的内在度量,这在许多挖掘任务中至关重要,如推荐和异常检测。此外,当涉及到异构信息网络时,节点属于不同类...
更新时间:2025-03-10 11:04:06
Yizhou Sun(KDD 2016研讨会) 挖掘信息网络的挑战之一是缺乏将节点表示为低维空间的内在度量,这在许多挖掘任务中至关重要,如推荐和异常检测。此外,当涉及到异构信息网络时,节点属于不同类...
更新时间:2025-03-10 11:04:06

Correctly Modeling Networks[正确建模网络]
Tamara Kolda(KDD 2016研讨会) 理解和建模是齐头并进的——我们开发模型不仅是为了进行预测,也是为了看看模型在哪里失败,还有更多的事情要做。大规模网络的数学建模极具挑战性。在本次演讲中...
更新时间:2025-03-07 10:14:21
Tamara Kolda(KDD 2016研讨会) 理解和建模是齐头并进的——我们开发模型不仅是为了进行预测,也是为了看看模型在哪里失败,还有更多的事情要做。大规模网络的数学建模极具挑战性。在本次演讲中...
更新时间:2025-03-07 10:14:21

Communities and Anomalies in Attributed Networks[归因网络中的群体与异常]
Leman Akoglu(KDD 2016研讨会) 给定一个节点与一系列属性相关联的网络,我们如何定义和描述社区?我们如何发现异常社区和社区内的异常?长期以来,人们一直在研究网络,最近的重点转向了“有内...
更新时间:2025-03-07 10:14:09
Leman Akoglu(KDD 2016研讨会) 给定一个节点与一系列属性相关联的网络,我们如何定义和描述社区?我们如何发现异常社区和社区内的异常?长期以来,人们一直在研究网络,最近的重点转向了“有内...
更新时间:2025-03-07 10:14:09

Serving a Billion Personalized News Feeds[为十亿条个性化新闻提供服务]
Lars Backstrom(KDD 2016研讨会) Feed排名的目标是为人们提供超过十亿的个性化体验。我们努力为每个人提供最具吸引力的内容,为他们量身定制,以便他们最有可能看到他们最感兴趣的内容。与报纸类...
更新时间:2025-03-07 10:14:02
Lars Backstrom(KDD 2016研讨会) Feed排名的目标是为人们提供超过十亿的个性化体验。我们努力为每个人提供最具吸引力的内容,为他们量身定制,以便他们最有可能看到他们最感兴趣的内容。与报纸类...
更新时间:2025-03-07 10:14:02

Joint Probabilistic Inference of Causal Structure[因果结构的联合概率推理]
Dhanya Sridhar(KDD 2016研讨会) 因果有向无环图形模型(DAGs)是研究和估计科学和社会行为现象因果关系的强大推理工具。在许多因果结构未知的领域,使用DAGs研究因果关系的一个关键挑战是直接从...
更新时间:2025-03-07 10:13:54
Dhanya Sridhar(KDD 2016研讨会) 因果有向无环图形模型(DAGs)是研究和估计科学和社会行为现象因果关系的强大推理工具。在许多因果结构未知的领域,使用DAGs研究因果关系的一个关键挑战是直接从...
更新时间:2025-03-07 10:13:54

Identifiability and Transportability in Dynamic Causal Networks[动态因果网络中的可识别性和可传输性]
Gilles Blondel(KDD 2016研讨会) 在本文中,我们提出了一种纯观测动态贝叶斯网络的因果类比,我们称之为动态因果网络。我们提供了一种完善的算法,用于识别动态因果网络中的因果效应,即在可能的...
更新时间:2025-03-07 10:13:46
Gilles Blondel(KDD 2016研讨会) 在本文中,我们提出了一种纯观测动态贝叶斯网络的因果类比,我们称之为动态因果网络。我们提供了一种完善的算法,用于识别动态因果网络中的因果效应,即在可能的...
更新时间:2025-03-07 10:13:46