实体
Submodular Maximization via Gradient Ascent: The Case of Deep Submodular Functions
Submodular Maximization via Gradient Ascent: The Case of Deep Submodular Functions
PulseAugur coverage of Submodular Maximization via Gradient Ascent: The Case of Deep Submodular Functions — every cluster mentioning Submodular Maximization via Gradient Ascent: The Case of Deep Submodular Functions across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的VPOS方法提供更快、更准确的特征选择
研究人员推出了一种新颖的无监督特征选择贪婪框架——方差保持正交选择 (VPOS)。VPOS 在加权 PCA 加载空间内运行，并使用零空间消去将所选特征的方差方向投影出去，确保后续选择覆盖正交协方差结构。该方法在每一步都可证明地将加载矩阵秩减少一，并与单调子模最大化相关。VPOS 实现了更低的重构 MSE，并且比现有的基于图的方法快得多，消去被认为是性能提升的关键驱动因素。
-
新方法推进神经集函数学习，降低计算开销
研究人员开发了一种新方法来改进神经集函数的学习，这对于药物发现和产品推荐等应用至关重要。该方法将证据下界重新解释为连续松弛，创建了一个替代目标，用以替代计算密集型的蒙特卡洛采样来进行梯度估计。这种学习到的替代目标提供了稳定高效的梯度，降低了开销并加速了推理，实验证明其优于现有方法。