近年来，监督学习环境的几个结果表明，古典统计学习 - 理论措施，如VC维度，不充分解释深度学习模型的性能，促使在无限宽度和迭代制度中的工作摆动。但是，对于超出监督环境之外的神经网络成功几乎没有理论解释。在本文中，我们认为，在一些分布假设下，经典学习 - 理论措施可以充分解释转导造型中的图形神经网络的概括。特别是，我们通过分析节点分类问题图卷积网络的概括性特性，对神经网络的性能进行严格分析神经网络。虽然VC维度确实导致该设置中的琐碎泛化误差界限，但我们表明转导变速器复杂性可以解释用于随机块模型的图形卷积网络的泛化特性。我们进一步使用基于转换的Rademacher复杂性的泛化误差界限来展示图形卷积和网络架构在实现较小的泛化误差方面的作用，并在图形结构可以帮助学习时提供洞察。本文的调查结果可以重新新的兴趣在学习理论措施方面对神经网络的概括，尽管在特定问题中。
translated by 谷歌翻译
尽管预测方法的相关性越来越高，但这些算法的因果影响仍然很大程度上是未开发的。这与考虑到，即使在简化因果充足之类的假设下，模型的统计风险也可能与其\ Textit {因果风险}有显着差异。在这里，我们研究了*因果概括* - 从观察到介入分布的概括 - 预测。我们的目标是找到问题的答案：自回归（var）模型在预测统计协会方面的疗效如何与其在干预措施下预测的能力相比？为此，我们介绍了*因果学习理论*预测的框架。使用此框架，我们获得了统计和因果风险之间差异的表征，这有助于识别它们之间的分歧源。在因果充足之下，因果概括的因果概括金额与额外的结构（限制介入介入分配）。该结构允许我们获得统一的收敛界面对VAR模型类的因果概括性。据我们所知，这是第一个为时序设置中因果概念提供理论保障的工作。
translated by 谷歌翻译
由于其复杂结构和顶点对应，在各种应用中遇到了网络价值的数据并在学习中提出挑战。这些问题的典型示例包括蛋白质结构和社交网络的分类或分组。已经提出了各种方法，从图形内核到图形神经网络，从而在图形分类问题中取得了一些成功。然而，大多数方法都有有限的理论典范化，其超越分类的适用性仍未开发。在这项工作中，我们提出了用于群集多个图形的方法，而没有顶点对应，这是由最近关于估计与图形的无限顶点限制对应的石墨函数的文献的启发。我们提出了一种基于排序和平滑的石墨估计的新颖曲线距离。使用所提出的图形距离，我们呈现了两个聚类算法，并表明他们实现了最先进的结果。我们在图形度上的Lipschitz假设下的两个算法下的统计一致性。我们进一步研究了建议的距离的适用性，用于图形两样测试问题。
translated by 谷歌翻译
跨模式图像合成是一个主动研究主题，具有多个医学临床相关的应用。最近，允许对配对但未对准数据进行培训的方法开始出现。但是，没有适用于广泛的现实世界数据集的健壮且良好的方法。在这项工作中，我们通过引入新的变形均衡性鼓励损失函数，对跨模式图像合成问题的问题提出了一个通用解决方案。该方法包括对图像合成网络的联合培训以及单独的注册网络，并允许在输入上进行对抗训练，即使使用未对准数据。这项工作通过允许对更困难的数据集进行跨模式图像合成网络的毫不费力培训来降低新的临床应用程序的标准，并为开发新的基于通用学习的跨模式注册算法开发机会。
translated by 谷歌翻译
在我们的多元文化世界中，支持人类的情感意识AI系统需要能够感知各种文化情绪表达模式变化的影响的能力。这些模型必须在未经培训的文化背景下表现良好。情感计算中的一个标准假设是，在同一文化中受过训练和使用的识别模型（文化内部）的表现将比在一种文化中训练并用于不同文化（跨文化）的模型更好。我们测试了这一假设，并使用来自六种文化的现实世界二元相互作用的视频进行了对跨文化影响识别模型的首次系统研究。我们在时间因果发现下开发了一种基于注意力的特征选择方法，以识别可以在跨文化情感识别模型中利用的行为线索。在所有六种文化中，我们的发现表明，跨文化影响识别模型比内文化模型更有效或更有效。我们确定并为跨文化情感识别而做出有用的行为特征；在本研究的背景下，视觉方式的面部特征比音频方式更有用。我们的论文介绍了跨文化影响识别系统未来发展的概念和动机。
translated by 谷歌翻译
检测欺骗社会行为的自动化系统可以增强人类跨越医疗，社会工作和法律域名。标记为培训的数据集可以为现实世界，高赌注的背景感染培训监督欺骗检测模型。为了解决这一挑战，我们提出了第一种无监督的方法来检测现实世界，高赌注欺骗的视频，而无需标签。本文提出了我们对感知无监督无监督的深度信仰网络（DBN）的新方法，以学习欺骗性和真实行为的歧视。绘制心理学理论，链接影响和欺骗，我们试验在面部价，面部震荡，音频和视觉特征上培训的单峰和基于多峰的DBN方法。除了使用面部影响作为培训DBN模型的功能之外，我们还介绍了使用面部影响作为视听表示的对齐器的DBN培训过程。我们对无监督高斯混合模型聚类进行了分类实验，以评估我们的方法。我们最好的无人监督方法（对面部价和视觉特征培训）实现了80％，表现优于80％，表现相当于完全监督的模型。我们的成绩激发了未来的无监督，影响野外欺骗和其他社会行为的计算方法。
translated by 谷歌翻译