亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

有噪聲矩陣補全的目的是估計一個低秩矩陣只給出部分和損壞的項。盡管在設計有效的估計算法方面取得了實質性的進展，但如何評估所獲得估計的不確定性以及如何對未知矩陣執行統計推斷(例如，為一個未見的條目構造一個有效的和短的置信區間)仍在很大程度上不清楚。這篇報告向有噪聲矩陣補全的推理和不確定性量化邁出了一步。我們開發了一個簡單的方法來補償廣泛使用的凸估計量和非凸估計量的偏差。所得到的去偏估計量承認了近乎精確的非漸近分布特征，這進而使得諸如缺失項和低秩因子的置信區間/區域的最優構造成為可能。我們的推理過程不依賴于樣本分裂，從而避免了數據效率的不必要損失。作為一個副產品，我們得到了對我們的去偏估計的估計精度的一個清晰的表征，據我們所知，這是第一個可證明實現完全統計效率(包括前置常數)的可控算法。本文的分析建立在凸和非凸優化之間的密切聯系上。

題目： Bayesian Neural Networks With Maximum Mean Discrepancy Regularization

摘要： 貝葉斯神經網絡(BNNs)訓練來優化整個分布的權重，而不是一個單一的集合，在可解釋性、多任務學習和校準等方面具有顯著的優勢。由于所得到的優化問題的難解性，大多數BNNs要么通過蒙特卡羅方法采樣，要么通過在變分近似上最小化一個合適的樣本下界(ELBO)來訓練。在這篇論文中，我們提出了后者的一個變體，其中我們用最大平均偏差(MMD)估計器代替了ELBO項中的Kullback-Leibler散度，這是受到了最近的變分推理工作的啟發。在根據MMD術語的性質提出我們的建議之后，我們接著展示了公式相對于最先進的公式的一些經驗優勢。特別地，我們的BNNs在多個基準上實現了更高的準確性，包括多個圖像分類任務。此外，它們對權重上的先驗選擇更有魯棒性，而且它們的校準效果更好。作為第二項貢獻，我們提供了一個新的公式來估計給定預測的不確定性，表明與更經典的標準(如微分熵)相比，它在對抗攻擊和輸入噪聲的情況下表現得更穩定。

題目： Bayesian Reasoning with Deep-Learned Knowledge

摘要： 我們通過對訓練的深層神經網絡的內在理解，在復雜的任務上進行貝葉斯推理。獨立訓練的網絡被安排在其原始范圍之外的swer問題的聯合中，而swer問題是用貝葉斯推理問題來表示的。我們用近似推理來解決這個問題，這為結果提供了不確定性。我們展示了如何在高分辨率的人臉圖像背景下，將獨立訓練的網絡與傳統的噪聲測量相結合，從傳統的生成器中提取樣本，同時解決多個約束條件下的謎題。

題目：* Spatio-Temporal Alignments: Optimal transport through space and time

摘要：

比較在空間和時間上定義的數據是出了名的困難，因為它涉及到對空間和時間可變性進行量化，同時還要考慮到數據的時間結構。動態時間扭曲(DTW)計算時間序列與時間順序之間的最佳對齊，但在本質上不考慮空間變化。摘要提出了一種新的時間-空間比對算法，該算法利用正則化最優轉移來處理時間樣本間的空間差異。我們的時間對齊是通過一種稱為軟DTW的平滑變式來處理的，為此我們證明了一個新的性質:軟DTW隨時間的變化呈二次增長。我們使用的軟dtw中的代價矩陣是用不平衡的OT來計算的，以處理觀測值不是歸一化概率的情況。手寫字母和腦成像數據的實驗證實了我們的理論發現，并說明STA作為時空數據的不同有效性。

作者簡介：

Hicham Janati，三年級博士生，目前的工作是為神經科學設計具有最佳傳輸效果的機器學習模型。個人主頁：

Marco Cuturi，谷歌大腦研究科學家,巴黎理工學院CREST-ENSAE統計學教授，研究興趣:機器學習，最優運輸，優化，時間序列，內核。個人主頁：

題目： Adversarial Cross-Domain Action Recognition with Co-Attention

摘要： 動作識別是一個被廣泛研究的課題，其研究重點是有監督的學習，包括足夠多的視頻。然而，跨域動作識別的問題，即訓練和測試視頻是從不同的底層分布中提取出來的，在很大程度上仍然沒有得到充分的研究。以往的方法直接采用跨域圖像識別技術，容易出現嚴重的時間錯位問題。提出了一種時間協同注意網絡（TCoN），該網絡利用一種新的跨域協同注意機制，對源域和目標域之間的時間對準動作特征分布進行了匹配。在三個跨域動作識別數據集上的實驗結果表明，在跨域設置下，TCoN顯著地改進了以往的單域和跨域方法。

作者簡介： Boxiao Pan，斯坦福大學視覺與學習實驗室的碩士。他對構建能夠解釋和理解以人為中心的行為、場景和事件的智能系統非常著迷，尤其是通過視頻輸入。//cs.stanford.edu/~bxpan/

Zhangjie Cao，斯坦福大學計算機科學系的博士。

題目： A simple baseline for bayesian uncertainty in deep learning

摘要：

本文提出了一種簡單、可擴展、通用的面向深度學習的不確定性表示和標定方法SWA-Gaussian (SWAG)。隨機加權平均(SWA)是一種計算隨機梯度下降(SGD)的第一次迭代的改進學習速率調度方法，最近被證明可以提高深度學習的泛化能力。在SWAG中，我們以SWA解作為第一個矩來擬合高斯分布，并從SGD迭代中得到一個低秩加對角協方差，形成了一個近似的后驗分布;然后我們從這個高斯分布中取樣，進行貝葉斯模型平均。根據SGD迭代的平穩分布結果，我們發現SWAG近似真實后驗的形狀。此外，我們證明了SWAG在各種計算機視覺任務上表現良好，包括樣本外檢測、校準和遷移學習，與許多流行的替代方案相比，包括MC dropout、KFAC拉普拉斯和溫度標度。

作者：

Wesley Maddox是紐約大學數據科學專業的博士生，研究方向是統計機器學習、貝葉斯深度學習、高斯過程和生成模型。正在研究在機器學習模型(如神經網絡)中加入和利用不確定性的方法。

Pavel Izmailov是紐約大學計算機科學的博士生，研究方向主要包括深度學習中的損失面分析、優化和正則化，對深度半監督學習、貝葉斯深度學習、生成模型、高斯過程等課題也很感興趣。

摘要： 深度卷積神經網絡(Deep convolutional neural networks, DCNNs)通過制作各種破紀錄的模型，主導了計算機視覺領域的最新發展。然而，在資源有限的環境下，如嵌入式設備和智能手機上，實現強大的DCNNs仍然是一個巨大的挑戰。研究人員已經認識到，1位CNNs是解決這一問題的一個可行方案;然而，與全精度DCNNs相比，它們的性能較差。在本文中，我們提出了一種新的方法，稱為貝葉斯優化1位CNNs(簡稱BONNs)，利用貝葉斯學習這一成熟的解決困難問題的策略來顯著提高極端1位CNNs的性能。我們在貝葉斯框架中加入了全精度內核的先驗分布和特征，以端到端的方式構造了1位CNNs，這在以前的相關方法中都沒有考慮到。在理論支持下，實現了連續和離散空間同時優化網絡的貝葉斯損失，將不同的損失聯合起來，提高了模型的容量。在ImageNet和CIFAR數據集上的大量實驗表明，與最先進的1位CNNs相比，BONNs具有最佳的分類性能。

報告主題：Adaptive Confidence Smoothing for Generalized Zero-Shot Learning

報告摘要：如果提供了類別的文本描述，則人們無需任何視覺樣本就可以學會識別新的物體類別，這項任務稱為零樣本學習（ZSL）。當此類零樣本與通過許多示例學習的類混合在一起時，他們甚至可以成功完成此任務，這一任務稱為廣義ZSL（GZSL）。但是，當前的深層網絡模型難以解決這些任務。我們在這里處理GZSL。我們描述了一種概率方法，該方法將模型分為三個模塊化組件，然后以一致的方式將它們組合在一起。具體來說，我們的模型由三個分類器組成：一個“選通”模型，可以從一個“可見”類中進行軟件決策，以及兩個專家：一個ZSL專家和一個針對可見類的專家模型。我們用這種方法解決兩個主要難題：如何提供準確的選通概率估計，而無需為看不見的課程提供任何訓練樣本；以及在觀察其域外的樣本時如何使用專家預測。我們在四個GZSL基準數據集上測試了我們的方法，自適應置信度平滑（COSMO），發現它在很大程度上優于最新的GZSL模型。 COSMO還是第一個縮小差距并超越GZSL生成模型（即使是輕量級模型）的性能的模型，該模型更容易訓練和調整。