2011年7月8日,星期五

集成电路 2011著名人物

以下是我标记为要跟进的一些论文,不分先后顺序:
  • 最小概率流 (强积金)。通过避免计算分区函数,可以更快地训练各种概率模型。既然我迷恋速度,这引起了我的注意:我基本上忽略了很多技术,因为我认为它们太慢了。也许这是改变游戏规则的人?我必须尝试尝试确定的东西。
  • 文本的稀疏加性生成模型 (智者)。我猜想作者最初对稀疏的LDA感兴趣,但是发现多项式令牌发射规范不利于这种操纵。无论如何,我的总结是:用LDA的令牌排放模型中的对数概率替换概率,并将排放相对于背景(令牌频率)居中。有两个主要好处:1)最终的按主题的说明可以非常稀疏,因为它们仅建模与背景的差异。 2)可以通过(日志)加法而不是(概率)乘法来处理其他潜在参数。不幸的是,更新中埋有一个分区术语,它是$ O(| V |)$,其中$ V $是词汇。也许SAGE的作者应该和MPF的作者交谈:)
  • 通过保留订单损失和标准化监督来学习评分功能。本文的目的是弄清何时对目标函数进行排序会降低对具有得分函数的回归或成对分类的影响。公式6具有在Vowpal Wabbit中实施的正确结构,并且有一致的方法可以减少 DCG 和NDCG埋在这里,如果我能弄清楚的话:)
  • 自适应学习人群内核。的概括 MDS 使用基于三元组的相对相似性而不是绝对相似性。这真是太棒了,因为很难从人们那里获得绝对相似性的判断,而基于三重态的相对相似性(``对象$ a $更类似于$ b $或$ c $吗?'')是很自然的。
此外,受邀的演讲者都很棒,星期四下午受邀的交叉会议特别有趣。

没意见:

发表评论