境外开放课程——编辑志愿者
12>>> 1/2

1
Structured sparsity-inducing norms through submodular functions[通过模块功能结构稀疏诱导规范]
  Francis R. Bach(法国国家信息与自动化研究所) 监督学习的稀疏方法旨在从尽可能少的变量中寻找良好的线性预测因子,即支持的基数很小。这种组合选择问题通常通过用凸包络(最紧凸下界)代替基数函数而变成凸优...
热度:132

2
Kernel Bayes Rule[内核的贝叶斯规则]
  Kenji Fukumizu(日本统计数理研究所) 在再现核希尔伯特空间概率表示的基础上,提出了一种基于非参数核的贝叶斯规则实现方法。概率的唯一特征是Rkhs的正则映射的平均值。先验概率和条件概率用经验样本...
热度:164

3
Enhancing Exemplar SVMs using Part Level Transfer Regularization[利用部分水平提高支持向量机的正则化的典范转移]
  Yusuf Aytar(牛津大学) 示例 svm (e-vvm, malisiewicz 等人, iccv 2011) 在支持向量机只接受了一个阳性样本的训练, 在对象检测和基于内容的图像检索 (cbir) 等领域找到了应用。基于部件...
热度:16

4
Automatic Image Annotation Using Group Sparsity[利用群体稀疏性的图像自动标注]
  Shaoting Zhang(新泽西州立罗格斯大学) 自动为图像分配相关文本关键字是一个重要问题。在过去的十年里, 提出了许多算法, 并取得了良好的性能。努力的重点是关键字的模型表示, 但功能的属性还没有得到很...
热度:108

5
Protein Identification from Tandem Mass Spectra with Probabilistic Language Modeling[基于概率语言模型的串联质谱鉴定蛋白质鉴定]
  Yiming Yang(卡内基梅隆大学) 本文对从串联质谱中提取蛋白质的统计信息检索 (ir) 技术进行了跨学科的研究, 这是蛋白质组数据分析中的一个具有挑战性的问题。我们将任务表述为一个 ir 问题, 通...
热度:61

6
Maximum Likelihood Rule Ensembles[最大似然规则集合]
  Wojciech Kotlowski(波兹南理工大学) 提出了一种新的规则归纳算法, 通过概率估计来解决分类问题。决策规则的主要优点是简单且易于解释。虽然早期的规则归纳方法是基于顺序覆盖的, 但我们采用的方法是...
热度:314

8
WhereNext: a Location Predictor on Trajectory Pattern Mining[wherenext:轨迹模式挖掘位置预测]
  Roberto Trasarti(国家研究委员会) 移动设备和基于位置的服务的普及导致移动数据量不断增加。这种副作用为分析运动行为的创新方法提供了机会。 本文提出了下一步, 这是一种旨在以一定的精度预测运...
热度:154

9
Multi-Task Learning for Boosting with Application to Web Search Ranking[多任务学习促进与应用程序的网络搜索排名]
  Srinivas Vadrevu(雅虎硅谷研究院) 本文提出了一种新的基于增强决策树的多任务学习算法。我们通过一个联合模型学习几个不同的学习任务, 通过特定于任务的参数显式地解决每个学习任务的细节, 以及它...
热度:91

10
Asymptotic Notation, Recurrences, Substitution, Master Method[渐近符号,复发,换人,主方法]
  Erik Demaine(麻省理工学院) "我叫埃里克·德梅你应该叫我艾瑞克欢迎回到 6.0 46。这是第2课。今天, 我们将基本上填写第1课的一些更数学的基础。所以, 讲座 1, 我们只是有点勉强得到了我们的...
热度:50

11
Machine Learning of Language from Distributional Evidence[分布式证据语言的机器学习]
  Chris Manning(斯坦福大学) 克里斯托弗·曼宁认为, 语言学在20世纪误入歧途, 当时它在错误的假设下, 寻找 "语言的同质性, 只有同质的系统才能被构造". 面对人类创造性与语言的关系,严格的语...
热度:52

12
Nonparametric Bayesian Models[非参数贝叶斯模型]
  Yee Whye Teh(牛津大学)
热度:63

13
Lecture 8: Universal Hashing, Perfect Hashing [通用散列法,完美的散列]
  Charles E. Leiserson(麻省理工学院) "哈希。今天我们要做一些惊人的东西与哈希。而且, 真的, 这是如此整洁的东西, 太不可思议了。我们将首先解决哈希的一个基本弱点。也就是说, 对于任何哈希函数的...
热度:67

14
Random Matrices in Wireless Flexible Networks[无线网络中的随机矩阵]
  Romain Couillet(法国高等电力学院) 多用户多天线通信系统以及大型雷达阵列的推广, 使电信和阵列处理领域的研究人员和工程师能够应对大维度随机问题。这些系统中的随机参数不再是简单变量, 而是潜在...
热度:465

15
Probabilistic Non-Linear Principal Component Analysis with Gaussian Process Latent Variables[高斯过程潜变量的概率非线性主成分分析]
  Neil D. Lawrence(谢菲尔德大学) 众所周知,主成分分析具有基于潜变量模型的基础概率表示。当潜在变量被整合出来并且模型的参数通过最大似然进行优化时,主成分分析(PCA)被恢复。众所周知,整...
热度:28
12>>> 1/2