硅谷AB实验方法论及在复杂场景应用!
她的研究兴趣在于因果推断(CausalInference),包括加权平衡方法(BalancingApproach)、合成控制(SyntheticControl)、因果中介分析(CausalMediationAnalysis)、因果机器学习(CausalMachineLearning)、随机对照试验中的选择问题(SelectionProblem)、分位数回归(QuantileRegression)和方差缩减(VarianceReduction)。演讲题目:...
Francis Bach新书稿:第一性原理学习理论 | 附PDF下载
第一性原理是一个物理学概念,可以简单理解为一个定理,或者定理的推论。同为评价事物的依据,第一性原理和经验参数代表两个极端。经验参数是通过大量实例得出的规律性的数据,而第一性原理是某些硬性规定或推演得出的结论。在深度学习理论中,经验性学习是学者们常常使用的研究方法,它为深度学习的发展提供了有价值的...
人工智能之蒙特卡罗方法(MCM)
这种方法的基本思想是“用确定性的超均匀分布序列(LowDiscrepancySequences)代替蒙特卡罗方法MCM中的随机数序列。该方法对某些问题的求解比蒙特卡罗方法MCM计算速度上提高数百倍,计算精度上也有很大提高。MCM基本原理由概率定义知,某事件的概率可以用大量试验中该事件发生的频率来估算,当样本容量足够大时,可认为该事件...
一种用手机号码定位机主的理论方法
研究者还发展了该方法的一种方差减小的变种,在强凸条件下可以证明它具有线性收敛性。研究者使用logistic损失函数进行了求解分类问题的数值实验,结果表明新方法在高维问题上的收敛速度优于SGD、SVRG、SAGA等经典算法。每次迭代成本为O(1)的随机原始-对偶方法(SPD1)使用了方差缩减的SPD118.方差缩减的...
鄂维南院士:科学与智能——机器学习的新前沿、应用数学时代的曙光
基于第一性原理的研究方法旨在从最基本的层面理解事物。对第一性原理的追求很大程度上驱动了物理学的发展。1929年,随着量子力学的建立,这条道路出现了一个重大转折点:正如狄拉克[2]所宣称的那样,有了量子力学,除一些极端尺度下的情形以外(如核物理),我们已经掌握了大多数工程和自然科学所需要的第一性原理。