题目: Contrastive Antichains in Hierarchies

摘要: 概念通常用正整数值属性来描述,这些属性在层次结构中组织例如,城市可以根据有多少不同类型的场所(如夜生活场所、住宅、餐饮场所)来描述,这些场所按层次结构组织(如葡萄牙餐厅是一种餐饮场所)。这个层次结构对相关属性的值施加了特殊的限制,例如,不能有比食物场所更多的葡萄牙语餐馆。此外,知道一个城市有许多美食场所,也有许多休闲餐厅就不那么令人惊讶了,反之亦然。在本文中,我们试图在所谓的集中反链中描述这些概念:它们的属性和价值的特定类型的子集。我们讨论对比反链是否有趣的问题,因为它简洁地描述了概念的独特方面,而这同时又考虑了层次结构所隐含的已知属性依赖性。我们的方法能够解释先前识别出的对比反链,使得迭代挖掘成为可能,除了兴趣度量之外,我们还提出了一个在实践中很好伸缩的算法,并在大量的实证结果部分证明了该方法的有用性。

作者简介: Jefrey Lijffijt,根特大学数据科学、知识发现和视觉分析教授。他的专长是:数据探索、数据挖掘、知识发现、可视化分析、算法、机器学习、人工智能、信息理论、统计假设测试、交互性、数据可视化、工具、应用。

Tijl De Bie,根特大学伊利斯系的教授。他还在布里斯托尔大学工程数学系担任名誉职务,是智能系统实验室的一员。等

成为VIP会员查看完整内容
0
1

相关内容

Jefrey Lijffijt,根特大学数据科学、知识发现和视觉分析教授。他的专长是:数据探索、数据挖掘、知识发现、可视化分析、算法、机器学习、人工智能、信息理论、统计假设测试、交互性、数据可视化、工具、应用。

题目: Debiased Contrastive Learning

摘要:

自监督表示学习的一项突出技术是对比语义相似和不相似的样本对。如果无法访问标签,通常会将不同的(负)点视为随机采样的数据点,隐式地接受这些点实际上可能具有相同的标签。不足为奇的是,我们观察到在具有标签的综合环境中,从真正不同的标签中抽取负面样本可以提高性能。受此观察结果的启发,开发了一种反偏差对比目标,即使不知道真实的标签,也可以校正相同标签的数据点的采样。从经验上讲,拟议的目标在视觉,语言和强化学习基准方面始终优于最新的代表性学习。从理论上讲,我们为下游分类任务建立概括边界。

成为VIP会员查看完整内容
0
11

题目: Hierarchical Knowledge Graphs: A Novel Information Representation for Exploratory Search Tasks

简介: 在探索性搜索任务中,除了信息检索之外,信息表示是有意义的重要因素。在本文中,我们探索了知识图的多层扩展,即层次知识图(HKG),它将层次化和网络可视化结合为统一的数据表示形式,作为支持探索性搜索工具。我们将描述我们的算法,以构建可视化效果,分析结果以定量地展示与网络的性能奇偶性以及相对于层次结构的性能优势,并从交互日志,interviews和thinkalouds的数据综合到测试平台数据集上,以证明统一的分层结构+ HKG中的网络结构。除了上述研究,我们还对精度和召回率对两种不同的探索性搜索任务的层次知识图的性能进行了其他混合方法分析。虽然定量数据显示精确度和召回率对用户性能和用户工作量的影响有限,但定性数据与事后统计分析相结合提供了证据,表明探索性搜索任务的类型(例如学习与调查)可能会受到精确度和召回影响。此外,我们的定性分析发现用户无法感知所提取信息的质量差异。我们讨论了结果的含义,并分析了在实验任务中对探索性搜索性能产生更大影响的其他因素。

成为VIP会员查看完整内容
0
29

题目: A Survey of Single-Scene Video Anomaly Detection

简介: 这篇调查文章总结了关于单个场景的视频馈送中的异常检测主题的研究趋势。 我们讨论了各种问题的表述,公开可用的数据集和评估标准。 我们将过去的研究归类并归类为一个直观的分类法。 最后,我们还提供了最佳实践,并为将来的研究提供了一些可能的方向。

成为VIP会员查看完整内容
0
9

简介:

了解在线用户可能要注意的内容是内容推荐和搜索服务的关键。这些服务将受益于实体,概念,事件,主题和类别的高度结构化和网络规模的本体。尽管现有的知识库和分类法包含大量的实体和类别,但我们认为它们无法以在线人群的语言风格发现适当的概念,事件和主题。在语义之间既没有保持逻辑结构化的本体,也没有保持本体。在本文中,我们介绍了GIANT,这是一种以用户为中心,网络规模的结构化本体的构建机制,其中包含大量从各种网络文档和搜索中提取的符合各种用户关注的自然语言短语,并构造各种类型的边缘以维持本体中的层次。GIANT中使用了基于图神经网络的技术,并与各种对比实验进行了比较,评估了所提出的方法。 GIANT制作了Attention Ontology,已将其部署到涉及超过十亿用户的各种腾讯应用程序中。在腾讯QQ浏览器上进行的在线A/ B测试表明,Attention Ontology可以大大提高新闻推荐中的点击率。

成为VIP会员查看完整内容
0
5

题目:

Generating new concepts with hybrid neuro-symbolic models

简介:

人类的概念知识支持生成新颖而高度结构化的概念的能力,而这种概念知识的形式引起科学家的极大兴趣。一种传统强调结构化知识,将概念视为嵌入直观理论中或组织为复杂的符号知识结构的概念。第二种传统强调统计知识,将概念知识视为训练神经网络和其他统计模型所捕获的丰富相关结构中的新兴知识。在本文中,我们通过用于产生新概念的新型神经符号模型探索了这两种传统的综合。使用简单的视觉概念作为测试平台,我们将神经网络和符号概率程序结合在一起,以学习新型手写字符的生成模型。使用更通用的神经网络体系结构探索了两个替代模型。我们比较了这三种模型中每种模型在保留字符类上的可能性以及它们的产品质量,发现我们的混合模型学习了最有说服力的表示,并从训练中得到了进一步的概括。

成为VIP会员查看完整内容
0
5

机器学习应用在高风险领域(如刑事判决、医学测试、在线广告等)的流行,至关重要的是要确保这些决策支持系统不会传播历史数据中可能存在的现有偏见或歧视。一般来说,在算法公平文献中有两个关于公平的中心概念。第一个是个体公平,它要求公平的算法以相似的方式对待相似的个体。然而,在实践中,通常很难找到或设计一个社会可接受的距离度量来捕获个体之间关于特定任务的相似性。相反,在这篇博客文章中,我们关注的是公平的第二个概念,群体公平,更具体地说是统计上的平等,这本质上要求预测器的结果在不同的子群体中是平等的。

成为VIP会员查看完整内容
0
14

主题: 《UvA Deep Learning Course》

课程描述: 深度学习主要是对多层神经网络的研究,它跨越了大量的模型结构。本课程在阿姆斯特丹大学人工智能硕士课程中授课。在本课程中,我们学习深度学习的理论,即在大数据上训练的现代多层神经网络的理论。

主讲人简介: Efstratios Gavves,阿姆斯特丹大学助理教授。个人主页:https://www.egavves.com/

成为VIP会员查看完整内容
1
14

题目: Link Prediction via Community Detection inBipartite Multi-Layer Graphs

摘要:

随着多关系网络数量的不断增加,在多层框架中解决经典图问题的方法(如链接预测)的发展带来了新的挑战。在这项工作中,我们将现有的二部局部模型方法与来自社区的链接预测方法相结合来解决多层图的链接预测问题。为此,我们将现有的基于社区发现的链路预测方法扩展到二部多层网络设置中。我们得到了一个新的二部图中链接预测的通用框架,它可以集成任何社区发现方法,能够处理任意数量的网络,而且相当便宜(取决于社区检测技术),并且能够自动调整其参数。我们使用两种最常见的社区检测方法,Louvain算法和光谱划分来测试我们的框架,这两种方法很容易应用于二部图。我们评估我们的基准数据集的方法,以解决一个常见的药物目标交互预测任务的计算药物设计,并在经验上证明,我们的方法是有竞争力的、最先进的。

邀请嘉宾:

Albrecht Zimmermann目前在卡昂-诺曼底大学担任会议主任。在研究方面,参加了CoDaG小组的活动,又是GREYC研究实验室的一部分。2014年2月2日至2015年8月31日,我是法国里昂里昂大学LIRIS实验室的一员。在德国弗莱堡大学的计算机科学系完成了博士学习。

Bruno Crémilleux主要研究兴趣是数据库中的数据挖掘和知识发现,重点是模式发现:模式(集合)发现、约束满足问题和数据挖掘、自然语言处理和数据挖掘、偏好查询(如skypatterns)、来自几种模式语言的无监督和监督方法(如序列、图形)。这项研究工作得益于在化学信息学、生物医学文本分析、生物信息学等领域的紧密合作。Bruno Crémilleux还是GREYC实验室的约束、数据挖掘和图形团队的成员。

成为VIP会员查看完整内容
0
5

题目: Learning Causality and Learning with Causality: A Road to Intelligence

摘要: 吸烟会引起癌症吗?通过分析两个变量的观测值,我们能否找到它们之间的因果关系?在我们的日常生活和科学中,人们经常试图回答此类因果问题,目的是正确理解和操纵系统。在过去的几十年中,为了回答这些问题,在机器学习,统计和哲学等领域取得了有趣的进步。此外,我们还经常关注如何在复杂的环境中进行机器学习。例如,我们如何在非平稳环境中做出最佳预测?有趣的是,最近发现因果信息可以促进理解和解决各种机器学习问题,包括迁移学习和半监督学习。这篇演讲回顾了因果关系研究中的基本概念,并侧重于如何从观察数据中学习因果关系,以及因果关系为何以及如何帮助机器学习和其他任务。最后,我将讨论为什么因果表达很重要以便实现通用人工智能。

报告人: 张坤 博士 美国卡内基梅隆大学,也是德国马克斯·普朗克智能系统研究所的高级研究科学家。他的研究兴趣在于机器学习和人工智能,尤其是因果发现,基于因果关系的学习和通用人工智能。他从因果关系的角度开发了用于自动发现因果关系的方法,从因果关系角度研究学习问题,尤其是转移学习,概念学习和深度学习,并研究了因果关系和各种机器学习任务的哲学基础。他曾担任大型机器学习或人工智能会议的区域主席或高级程序委员会成员,包括NeurIPS,UAI,ICML,AISTATS,AAAI和IJCAI。他组织了各种学术活动,以促进因果关系的跨学科研究。

成为VIP会员查看完整内容
0
35

题目: Uncovering hidden concepts from AIS data: A network abstraction of maritime traffic for anomaly detection

简介:

船舶自动识别系统(AIS)在多种类型船舶上的强制使用,为海上监视提供了新的机会。AIS应答器是一个丰富的信息源,每个人都可以使用射频接收器来收集,并提供船舶位置的实时信息。适当利用AIS数据,可以发现潜在的非法行为,提供实时警报,并通知当局任何船只的异常行为。

在本文中,我们扩展现有网络抽象的海上交通,基于节点(称为路点)对应于海军领域长期保持或主要是血管(例如:港口、披风、海上平台等)和边(称为遍历)对应于两个连续的路径点之间的航线船舶紧随其后。目前的工作集中在这个网络抽象的连接,并丰富了他们的语义信息,当跨越一个边缘容器时使用不同的方式。为此提出了一种新的基于密度的聚类算法DB-Scan,该算法修改了算法的邻近参数(即epsilon)。建议的替代方法是将i)航速、ii)航路及iii)船位的差异串联起来,以厘定两个连续船只位置之间的距离(两个来自同一船只的连续AIS信号)。结果表明,这种组合的性能明显优于只使用空间距离,更重要的是,结果在集群具有非常有趣的属性。丰富的网络模型可以通过数据挖掘技术进行处理和进一步检查,甚至在无监督的情况下,以识别血管轨迹中的异常。在真实数据集上的实验结果显示了该网络在探测航迹异常点和发现船舶航迹偏差方面的潜力。

邀请嘉宾:

Iraklis Varlamis目前是雅典Harokopio大学信息学和远程信息学系的副教授,教授的课程有数据库、数据库设计、数据挖掘和编程。主要研究兴趣是数据库、数据与信息管理和挖掘,研究重点是语义在web挖掘任务中的应用,研究工作也适用于社交网络中的知识管理和挖掘。

Konstantinos Tserpes是雅典Harokopio大学Web系统编程技术领域的助理教授,研究重点是面向服务的计算和数据分析。

成为VIP会员查看完整内容
0
3
小贴士
相关VIP内容
相关论文
Aravind Srinivas,Michael Laskin,Pieter Abbeel
6+阅读 · 4月28日
Guanglin Niu,Yongfei Zhang,Bo Li,Peng Cui,Si Liu,Jingyang Li,Xiaowei Zhang
5+阅读 · 2019年12月28日
Deep Learning for Deepfakes Creation and Detection
Thanh Thi Nguyen,Cuong M. Nguyen,Dung Tien Nguyen,Duc Thanh Nguyen,Saeid Nahavandi
3+阅读 · 2019年9月25日
Object Detection in 20 Years: A Survey
Zhengxia Zou,Zhenwei Shi,Yuhong Guo,Jieping Ye
26+阅读 · 2019年5月13日
Deep Anomaly Detection with Outlier Exposure
Dan Hendrycks,Mantas Mazeika,Thomas G. Dietterich
4+阅读 · 2018年12月21日
Multiple Object Tracking in Urban Traffic Scenes with a Multiclass Object Detector
Hui-Lee Ooi,Guillaume-Alexandre Bilodeau,Nicolas Saunier,David-Alexandre Beaupré
3+阅读 · 2018年9月6日
Guangyu Robert Yang,Igor Ganichev,Xiao-Jing Wang,Jonathon Shlens,David Sussillo
3+阅读 · 2018年3月16日
Pingping Zhang,Luyao Wang,Dong Wang,Huchuan Lu,Chunhua Shen
5+阅读 · 2018年2月20日
Alexandre Attia,Sharone Dayan
3+阅读 · 2018年1月19日
Srinivas Ravishankar, Chandrahas,Partha Pratim Talukdar
6+阅读 · 2018年1月8日
Top