TITLE

HIGHLIGHT

1

A graph similarity for deep learning

我们采用核距离，并提出了transform-sum-cat作为聚合变换的替代方法，以反映邻域聚合中节点邻域之间的连续相似性。

2

An Unsupervised Information-Theoretic Perceptual Quality Metric

我们将信息理论目标函数的最新进展与基于人类视觉系统生理学的计算架构以及对成对的视频帧的无监督训练相结合，从而产生了感知信息量度（PIM）。

3

Self-Supervised MultiModal Versatile Networks

在这项工作中，我们通过利用视频中自然存在的三种模式来学习使用自我监督的表示形式：视觉，音频和语言流。

4

Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method

我们考虑解决通用逆问题的任务，其中希望确定自然系统的隐藏参数，这些参数将引起一组特定的测量。

5

Off-Policy Evaluation and Learning for External Validity under a Covariate Shift

在本文中，我们推导了协变量平移下OPE的效率边界。

6

Neural Methods for Point-wise Dependency Estimation

在这项工作中，我们没有估计预期的依赖关系，而是着重估计逐点依赖关系（PD），它定量地衡量了两种结果同时发生的可能性。

7

Fast and Flexible Temporal Point Processes with Triangular Maps

通过利用归一化流领域的最新发展，我们设计了TriTPP –一种新的非经常性TPP模型，可以在其中并行进行采样和似然计算。

8

Backpropagating Linearly Improves Transferability of Adversarial Examples

在本文中，我们研究了此类示例的可移植性，从而为DNN上的许多黑盒攻击奠定了基础。

9

PyGlove: Symbolic Programming for Automated Machine Learning

在本文中，我们介绍了一种基于符号编程的AutoML编程新方法。

10

Fourier Sparse Leverage Scores and Approximate Kernel Learning

我们证明了在高斯和拉普拉斯度量下傅立叶稀疏函数的杠杆得分的新的明确上限。

11

Improved Algorithms for Online Submodular Maximization via First-order Regret Bounds

在这项工作中，我们给出了一种通过利用在线线性优化的“一阶”后悔边界来改善在线子模最大化的后悔边界的一般方法。

12

Synbols: Probing Learning Algorithms with Synthetic Datasets

从这个意义上讲，我们引入了Synbols（合成符号），该工具用于快速生成具有在低分辨率图像中呈现的大量潜在特征的新数据集。

13

Adversarially Robust Streaming Algorithms via Differential Privacy

我们在流算法的对抗性鲁棒性和差异隐私概念之间建立了联系。

14

Trading Personalization for Accuracy: Data Debugging in Collaborative Filtering

在本文中，我们提出了一种数据调试框架，以识别过度个性化的评分，该评分的存在会降低给定协作过滤模型的性能。

15

Cascaded Text Generation with Markov Transformers

这项工作提出了具有亚线性并行时间生成的自回归模型。

16

Improving Local Identifiability in Probabilistic Box Embeddings

在这项工作中，我们使用最小和最大Gumbel分布对框参数进行建模，选择这些参数时应确保在交点操作下空间仍然封闭。

17

Permute-and-Flip: A new mechanism for differentially private selection

在这项工作中，我们基于对隐私约束的仔细分析，提出了用于此任务的新机制。

18

Deep reconstruction of strange attractors from time series

受经典分析技术启发，对混沌吸引子进行部分观测，我们引入了一种用于单变量和多变量时间序列的通用嵌入技术，该技术由训练有新的潜在空间损失函数的自动编码器组成。

19

Reciprocal Adversarial Learning via Characteristic Functions

我们通过比较分布而不是通过一个功能强大的工具即特征函数（CF）来比较它们的矩来对此进行归纳，该工具唯一且通用地包含有关分布的所有信息。

20

Statistical Guarantees of Distributed Nearest Neighbor Classification

通过多数表决，就遗憾而言，分布式最近邻分类器达到与其oracle版本相同的收敛速度，直至仅取决于数据维的乘法常数。

21

Stein Self-Repulsive Dynamics: Benefits From Past Samples

我们提出了一种新的斯坦因自排斥动力学，用于从难处理的非标准化分布中获得多样化的样本。

22

The Statistical Complexity of Early-Stopped Mirror Descent

在本文中，我们研究了针对线性模型和核方法的平方损失的早期停止的无约束镜像下降算法应用于不规则经验风险的统计风险保证。

23

Algorithmic recourse under imperfect causal knowledge: a probabilistic approach

为了解决这一局限性，我们提出了两种概率方法来选择在有限的因果知识（例如，仅因果图）下以高概率实现追索的最佳行动。

24

Quantitative Propagation of Chaos for SGD in Wide Neural Networks

在本文中，我们研究了应用于两层超参数化神经网络的随机梯度下降（SGD）算法的连续时间对应物的极限行为，即神经元或神经元（即隐藏层的大小）$ N ¥到¥plusinfty $。

25

A Causal View on Robustness of Neural Networks

我们提出了针对输入操作的神经网络鲁棒性的因果观点，该观点不仅适用于传统分类任务，而且适用于一般测量数据。

26

Minimax Classification with 0-1 Loss and Performance Guarantees

本文介绍了不依赖替代损失和规则族的选择的最小最大风险分类器（MRC）。

27

How to Learn a Useful Critic? Model-based Action-Gradient-Estimator Policy Optimization

在本文中，我们提出基于策略梯度理论的基于模型的行为者评论算法MAGE，该算法可明确学习动作值梯度。

28

Coresets for Regressions with Panel Data

本文介绍了用于面板数据设置回归问题的核心集问题。

29

Learning Composable Energy Surrogates for PDE Order Reduction

为了解决这个问题，我们利用参数化模块化结构来学习组件级代理，从而实现更便宜的高保真仿真。

30

Efficient Contextual Bandits with Continuous Actions

我们针对具有未知结构的连续动作的情境强盗创建了一种易于计算的学习算法。

31

Achieving Equalized Odds by Resampling Sensitive Attributes

我们为学习预测模型提供了一个灵活的框架，该模型大致满足公平的均等赔率概念。

32

Multi-Robot Collision Avoidance under Uncertainty with Probabilistic Safety Barrier Certificates

本文旨在提出一种避免测量不确定度和运动不确定度的碰撞避免方法。

33

Hard Shape-Constrained Kernel Machines

在本文中，我们证明了对函数导数的硬仿射形状约束可以在内核机器中进行编码，这是机器学习和统计中最灵活，功能最强大的工具之一。

34

A Closer Look at the Training Strategy for Modern Meta-Learning

支持/查询（S / Q）情景训练策略已广泛用于现代元学习算法中，并被认为可以提高其测试环境的泛化能力。本文对泛化训练策略进行了理论研究。

35

On the Value of Out-of-Distribution Testing: An Example of Goodhart's Law

我们提供短期和长期的解决方案，以避免这些陷阱，并实现OOD评估的好处。

36

Generalised Bayesian Filtering via Sequential Monte Carlo

我们介绍了在似然错误指定情况下在一般状态空间隐马尔可夫模型（HMM）中进行推理的框架。

37

Deterministic Approximation for Submodular Maximization over a Matroid in Nearly Linear Time

我们研究了在拟阵条件约束下最大化非单调，非负子模函数的问题。

38

Flows for simultaneous manifold learning and density estimation

我们介绍了流形学习流（β流），这是一类新的生成模型，可同时学习数据流形和该流形上的可处理概率密度。

39

Simultaneous Preference and Metric Learning from Paired Comparisons

在本文中，我们考虑了当距离度量是未知的Mahalanobis度量时学习用户偏好的理想点表示的问题。

40

Efficient Variational Inference for Sparse Deep Learning with Theoretical Guarantee

在本文中，我们在先验和先验先验条件下训练经过完全贝叶斯处理的稀疏深​​度神经网络，并通过连续放松伯努利分布来开发一组计算有效的变分推论。

41

Learning Manifold Implicitly via Explicit Heat-Kernel Learning

在本文中，我们提出了隐式流形学习的概念，其中通过学习相关的热核来隐式获得流形信息。

42

Deep Relational Topic Modeling via Graph Poisson Gamma Belief Network

为了更好地利用文档网络，我们首先提出图泊松因子分析（GPFA），该模型构造了互连文档的概率模型，还提供了闭式Gibbs采样更新方程，超越了现有RTM的复杂近似假设。

43

One-bit Supervision for Image Classification

本文提出了一比特监督，这是一种在图像分类的情况下从不完整注释中学习的新设置。

44

What is being transferred in transfer learning?

在本文中，我们提供了新的工具和分析来解决这些基本问题。

45

Submodular Maximization Through Barrier Functions

在本文中，我们介绍了一种受约束的子模最大化的新技术，该技术受连续优化中的势垒函数的启发。

46

Neural Networks with Recurrent Generative Feedback

所提出的框架称为带反馈卷积神经网络（CNN-F），它向现有CNN架构引入了具有潜在变量的生成反馈，其中在贝叶斯框架下通过交替MAP推断做出一致的预测。

47

Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction

受此挑战的驱使，我们引入了一个鲜为人知的图外链接预测的现实问题，在该问题中，我们不仅像传统的知​​识外链接预测任务中那样，预测可见节点与不可见节点之间的链接，而且看不见的节点，每个节点只有很少的边缘。

48

Exploiting weakly supervised visual patterns to learn from partial annotations

相反，在本文中，我们利用图像和标签之间的关系从未注释的标签中获取更多的监督信号。

49

Improving Inference for Neural Image Compression

我们考虑使用深潜变量模型进行有损图像压缩的问题。

50

Neuron Merging: Compensating for Pruned Neurons

在这项工作中，我们提出了一种适用于完全连接层和卷积层的神经元合并的新概念，该概念可以补偿由于修剪的神经元/过滤器而导致的信息丢失。

51

FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

在本文中，我们提出了FixMatch，该算法可以极大地简化现有SSL方法。

52

Reinforcement Learning with Combinatorial Actions: An Application to Vehicle Routing

我们开发了一个具有组合动作空间的基于价值函数的深度强化学习框架，在该框架中，动作选择问题明确地表述为混合整数优化问题。

53

Towards Playing Full MOBA Games with Deep Reinforcement Learning

在本文中，我们提出了一种MOBA AI学习范例，该方法可以在方法上实现使用深度强化学习玩完整的MOBA游戏。

54

Rankmax: An Adaptive Projection Alternative to the Softmax Function

在这项工作中，我们提出了一种使该参数适合于各个训练示例的方法。

55

Online Agnostic Boosting via Regret Minimization

在这项工作中，我们提供了第一个不可知的在线提升算法；也就是说，给定一个弱学习者仅具有微不足道的后悔保证，我们的算法会将其提升为具有次线性后悔的强大学习者。

56

Causal Intervention for Weakly-Supervised Semantic Segmentation

我们提出了一种因果推理框架来改善弱监督语义分割（WSSS）。

57

Belief Propagation Neural Networks

为了弥合这一差距，我们引入了置信传播神经网络（BPNN），这是一类对因子图进行操作并推广置信度传播（BP）的参数化运算符。

58

Over-parameterized Adversarial Training: An Analysis Overcoming the Curse of Dimensionality

我们的工作证明，在自然假设和ReLU激活下，对于¥emph {多项式}宽度而不是指数，可以降低鲁棒训练损失。

59

Post-training Iterative Hierarchical Data Augmentation for Deep Networks

在本文中，我们提出了一种新的迭代层次数据扩充（IHDA）方法，以对经过训练的深度神经网络进行微调，以提高其泛化性能。

60

Debugging Tests for Model Explanations

我们调查事后模型解释是否对诊断模型错误（模型调试）有效。

61

Robust compressed sensing using generative models

在本文中，我们提出一种受均值中位数（MOM）启发的算法。

62

Fairness without Demographics through Adversarially Reweighted Learning

在这项工作中，我们通过提出对抗性加权学习（ARL）来解决这个问题。

63

Stochastic Latent Actor-Critic: Deep Reinforcement Learning with a Latent Variable Model

在这项工作中，我们通过显式学习可以加速从图像进行强化学习的潜在表示，分别解决这两个问题。

64

Ridge Rider: Finding Diverse Solutions by Following Eigenvectors of the Hessian

在本文中，我们提出了一种不同的方法。我们没有遵循对应于局部贪婪方向的梯度，而是遵循了Hessian的特征向量。

65

The route to chaos in routing games: When is price of anarchy too optimistic?

我们使用实际游戏成本研究MWU，而未将成本归一化为$ [0,1] $。

66

Online Algorithm for Unsupervised Sequential Selection with Contextual Information

在本文中，我们研究了上下文无监督顺序选择（USS），它是一种随机上下文强盗问题的新变体，其中无法从观察到的反馈中推断出手臂的损失。

67

Adapting Neural Architectures Between Domains

本文旨在通过领域自适应来改善神经体系结构的一般化。

68

What went wrong and when?\\ Instance-wise feature importance for time-series black-box models

我们提出FIT，该框架通过量化预测分布随时间的变化来评估多元时间序列黑盒模型的观测结果的重要性。

69

Towards Better Generalization of Adaptive Gradient Methods

为了弥补这一差距，我们建议使用¥textit {¥textbf {S}表¥textbf {A}自适应¥¥textbf {G}辐射¥¥textbf {D} escent}（¥textsc {SAGD}）进行非凸优化，以利用差异隐私提高自适应梯度法的泛化性能。

70

Learning Guidance Rewards with Trajectory-space Smoothing

本文的思路与此相同-从涉及轨迹空间平滑的替代RL目标开始，我们得出了一种学习指导奖励的新算法。

71

Variance Reduction via Accelerated Dual Averaging for Finite-Sum Optimization

在本文中，我们介绍了一种简化和统一的有限和凸优化方法，称为¥emph {通过加速双重平均（VRADA）减少方差}。

72

Tree! I am no Tree! I am a low dimensional Hyperbolic Embedding

在本文中，我们通过采用度量优先的方法探索了一种学习双曲表示的新方法。

73

Deep Structural Causal Models for Tractable Counterfactual Inference

我们为使用深度学习组件构建结构因果模型（SCM）制定了一般框架。

74

Convolutional Generation of Textured 3D Meshes

我们工作的关键贡献在于将网格和纹理编码为2D表示，这些表示在语义上是对齐的，并且可以通过2D卷积GAN轻松建模。

75

A Statistical Framework for Low-bitwidth Training of Deep Neural Networks

在本文中，我们通过提供用于分析FQT算法的统计框架来解决此问题。

76

Better Set Representations For Relational Reasoning

为了解决此限制，我们提出了一个简单而通用的网络模块，称为Set Refiner Network（SRN）。

77

AutoSync: Learning to Synchronize for Data-Parallel Distributed Deep Learning

在本文中，我们开发了模型和资源相关的同步表示形式，它统一了从架构，消息分区，布局方案到通信拓扑的多个同步方面。

78

A Combinatorial Perspective on Transfer Learning

在这项工作中，我们研究了模块化解决方案的学习如何能够有效地将未见的和可能不同分布的数据进行概括。

79

Hardness of Learning Neural Networks with Natural Weights

我们证明了这方面的负面结果，并表明对于深度2元的网络以及许多“自然”权重分布（例如正态分布和均匀分布），大多数网络都很难学习。

80

Higher-Order Spectral Clustering of Directed Graphs

基于有向图的埃尔米特矩阵表示法，我们提出了一种近线性的有向图聚类时间算法，并进一步证明了我们提出的算法可以在合理的假设下以亚线性时间实现。

81

Primal-Dual Mesh Convolutional Neural Networks

我们提出了一种将两种方法的优点结合起来的方法，同时解决了它们的局限性：我们将从图神经网络文献中得出的原始对偶框架扩展到三角形网格，并在由输入网格。

82

The Advantage of Conditional Meta-Learning for Biased Regularization and Fine Tuning

我们通过条件元学习解决此限制，将条件函数将任务的辅助信息映射到适合手头任务的元参数向量中。

83

Watch out! Motion is Blurring the Vision of Your Deep Neural Networks

我们提出了一种新颖的对抗攻击方法，该方法可以生成视觉上自然运动模糊的对抗示例，称为基于运动的对抗模糊攻击（ABBA）。

84

Sinkhorn Barycenter via Functional Gradient Descent

在本文中，我们考虑了在Sinkhorn散度下计算一组概率分布的重心的问题。

85

Coresets for Near-Convex Functions

我们提出了一个通用的框架，用于计算损失函数的敏感性（从而称为核心集），我们将其称为近凸函数。

86

Bayesian Deep Ensembles via the Neural Tangent Kernel

我们通过向每个合奏成员添加计算上易处理，随机且不可训练的函数，对标准深度合奏训练进行简单修改，从而可以在无限宽度范围内进行后验解释。

87

Improved Schemes for Episodic Memory-based Lifelong Learning

在本文中，我们从优化的角度提供了基于情景记忆的方法的第一个统一视图。

88

Adaptive Sampling for Stochastic Risk-Averse Learning

我们提出了一种自适应采样算法，用于随机优化损失分布的{¥em条件风险值（CVaR）}，该算法可在最困难的示例的¥¥alpha分数上衡量其性能。

89

Deep Wiener Deconvolution: Wiener Meets Deep Learning for Image Deblurring

我们结合经典技术和深度学习，提出了一种简单有效的非盲图像去模糊方法。

90

Discovering Reinforcement Learning Algorithms

本文介绍了一种新的元学习方法，该方法可发现整个更新规则，该规则包括通过与一组环境进行交互来预测的内容（例如，值函数）以及如何从中学习的内容（例如，引导程序）。

91

Taming Discrete Integration via the Boon of Dimensionality

这项工作的主要贡献是通过有效减少模型模型的离散集成来解决这一可扩展性挑战。

92

Blind Video Temporal Consistency via Deep Video Prior

为了解决这个问题，我们提出了一种新颖且通用的盲视频时间一致性方法。

93

Simplify and Robustify Negative Sampling for Implicit Collaborative Filtering

在本文中，我们首先通过经验观察来提供对负数实例的新颖理解，只有很少几个实例对模型学习具有潜在的重要意义，而假负数往往在许多训练迭代中具有稳定的预测。

94

Model Selection for Production System via Automated Online Experiments

我们提出了一种自动化的在线实验机制，该机制可以通过少量在线实验从大量模型中高效地执行模型选择。

95

On the Almost Sure Convergence of Stochastic Gradient Descent in Non-Convex Problems

在本文中，我们分析了随机梯度下降（SGD）的轨迹，旨在了解它们在非凸问题中的收敛特性。

96

Automatic Perturbation Analysis for Scalable Certified Robustness and Beyond

在本文中，我们通过将现有的LiRPA算法（例如CROWN）推广到通用计算图上，开发了一个自动框架，可对任何神经网络结构进行扰动分析。

97

Adaptation Properties Allow Identification of Optimized Neural Codes

在这里，我们解决了一个反问题：根据有效编码如何适应不同的刺激分布，对有效编码似乎是最佳的目标和约束函数进行表征。

98

Global Convergence and Variance Reduction for a Class of Nonconvex-Nonconcave Minimax Problems

在这项工作中，我们表明，对于满足所谓的两面Polyak- {¥L} ojasiewicz不等式的非凸-非凹目标的子类，交替梯度下降上升（AGDA）算法以线性速率全局收敛，并且是随机的AGDA达到亚线性速率。

99

Model-Based Multi-Agent RL in Zero-Sum Markov Games with Near-Optimal Sample Complexity

在本文中，我们旨在解决有关基于模型的MARL的样本复杂性的根本性开放性问题。

100

Conservative Q-Learning for Offline Reinforcement Learning

在本文中，我们提出了保守的Q学习（CQL），其目的是通过学习保守的Q函数来解决这些限制，从而使该Q函数下的策略的期望值降低其真实值。

101

Online Influence Maximization under Linear Threshold Model

在本文中，我们针对线性阈值（LT）模型中的OIM。

102

Ensembling geophysical models with Bayesian Neural Networks

我们开发了一种新的数据驱动的整合策略，以使用贝叶斯神经网络组合地球物理模型，该模型可以推断时空变化的模型权重和偏差，同时考虑观测值中的异方差不确定性。

103

Delving into the Cyclic Mechanism in Semi-supervised Video Object Segmentation

在本文中，我们尝试将循环机制与半监督视频对象分割的视觉任务相结合。

104

Asymmetric Shapley values: incorporating causal knowledge into model-agnostic explainability

我们引入了一个限制性较小的框架，即非对称Shapley值（ASV），它严格地建立在适用于任何AI系统的一组公理基础上，并且可以灵活地合并已知受数据尊重的任何因果结构。

105

Understanding Deep Architecture with Reasoning Layer

在本文中，我们通过显示算法层的属性（例如收敛性，稳定性和敏感性）与端到端的逼近和泛化能力密切相关，从而迈出了对此类混合深度架构的理解的第一步。模型。

106

Planning in Markov Decision Processes with Gap-Dependent Sample Complexity

我们提出了MDP-GapE，这是一种新的基于轨迹的蒙特卡洛树搜索算法，用于在马尔可夫决策过程中进行规划，其中对过渡具有有限的支持。

107

Provably Good Batch Off-Policy Reinforcement Learning Without Great Exploration

我们表明，在不考虑集中性假设的情况下，在Bellman最优性的低数据区域中使用¥emph {悲观价值估计}和评估备份可以产生更多的适应性和更强的保证。

108

Detection as Regression: Certified Object Detection with Median Smoothing

这项工作是受最近通过随机平滑进行认证分类的进展所推动的。我们首先提出从对象检测到回归问题的减少。

109

Contextual Reserve Price Optimization in Auctions via Mixed Integer Programming

我们研究了在给定上下文信息的情况下学习线性模型以设置拍卖中的底价的问题，以便最大程度地提高卖方的预期收入。

110

ExpandNets: Linear Over-parameterization to Train Compact Convolutional Networks

我们介绍一种训练给定紧凑网络的方法。

111

FleXOR: Trainable Fractional Quantization

在本文中，我们提出了一种加密算法/体系结构来压缩量化的权重，以实现每权重的分数位数。

112

The Implications of Local Correlation on Learning Some Deep Functions

我们介绍了一种分布的属性，称为“局部相关性”，它要求输入图像的小块和目标函数的中间层与目标标签相关。

113

Learning to search efficiently for causally near-optimal treatments

我们将这个问题形式化为学习使用因果推理框架在最少数量的试验中寻找接近最佳治疗的策略。

114

A Game Theoretic Analysis of Additive Adversarial Attacks and Defenses

在本文中，我们提出了一个博弈论框架来研究均衡存在的攻击和防御。

115

Posterior Network: Uncertainty Estimation without OOD Samples via Density-Based Pseudo-Counts

在这项工作中，我们提出了后验网络（PostNet），该网络使用规范化流来预测任何输入样本在预测概率上的单个封闭式后验分布。

116

Recurrent Quantum Neural Networks

在这项工作中，我们构建了第一个量子递归神经网络（QRNN），在非平凡任务（例如序列学习和整数位数分类）上具有可证明的性能。

117

No-Regret Learning and Mixed Nash Equilibria: They Do Not Mix

在本文中，我们研究了遵循正规化领导者（FTRL）的动力学，后者可能是研究最深入的无后悔动力学类别，并且我们建立了全面的否定结果，表明混合Nash均衡的概念与否定性相反。后悔学习。

118

A Unifying View of Optimism in Episodic Reinforcement Learning

在本文中，我们提供了一个在一般的强化学习问题中设计，分析和实现此类算法的通用框架。

119

Continuous Submodular Maximization: Beyond DR-Submodularity

在本文中，我们提出了第一个连续优化算法，该算法针对线性约束下的单调连续亚模最大化问题，实现了恒定因子近似保证。

120

An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits

在本文中，我们遵循了从与问题相关的后悔下限派生渐近最优算法的最新方法，并介绍了一种改进的，沿多个维度进行改进的新颖算法。

121

Assessing SATNet's Ability to Solve the Symbol Grounding Problem

在本文中，我们通过显示在没有中间标签来识别各个Sudoku数字图像及其逻辑表示的中间标签的情况下，澄清了SATNet的功能，SATNet在视觉Sudoku上完全失败（测试精度为0％）。

122

A Bayesian Nonparametrics View into Deep Representations

我们从概率的角度研究神经网络表示。

123

On the Similarity between the Laplace and Neural Tangent Kernels

在这里，我们显示具有ReLU激活的完全连接网络的NTK与标准Laplace内核密切相关。

124

A causal view of compositional zero-shot recognition

在这里，我们描述了一种基于因果思想的合成概括方法。

125

HiPPO: Recurrent Memory with Optimal Polynomial Projections

我们介绍了一种通用框架（HiPPO），用于通过投影到多项式基上来对连续信号和离散时间序列进行在线压缩。

126

Auto Learning Attention

在本文中，我们设计了一种自动学习注意（AutoLA）方法，这是对自动注意设计的首次尝试。

127

CASTLE: Regularization via Auxiliary Causal Graph Discovery

我们介绍了因果结构学习（CASTLE）正则化，并建议通过共同学习变量之间的因果关系来对神经网络进行正则化。

128

Long-Tailed Classification by Keeping the Good and Removing the Bad Momentum Causal Effect

在本文中，我们建立了因果推理框架，该框架不仅揭示了先前方法的原因，而且还推导了新的有原则的解决方案。

129

Explainable Voting

但是，我们证明，重要的Borda规则的结果可以使用O（m ^ 2）步骤来解释，其中m是替代数。

130

Deep Archimedean Copulas

在本文中，我们介绍ACNet，这是一种新颖的可微神经网络体系结构，可增强结构特性并使人们能够学习一类重要的系动词-Archimedean Copulas。

131

Re-Examining Linear Embeddings for High-Dimensional Bayesian Optimization

在本文中，我们确定了有关在BO中使用线性嵌入的几个关键问题和误解。

132

UnModNet: Learning to Unwrap a Modulo Image for High Dynamic Range Imaging

在本文中，我们将模图像解包问题重新构造为一系列二进制标记问题，并提出了一种模态边缘感知模型（称为UnModNet），以迭代方式估计模图像的二进制翻转掩码以进行解包。

133

Thunder: a Fast Coordinate Selection Solver for Sparse Learning

在本文中，我们提出了一种新颖的主动增量方法来进一步提高求解器的效率。

134

Neural Networks Fail to Learn Periodic Functions and How to Fix It

作为解决此问题的方法，我们提出了一个新的激活，即$ x +¥sin ^ 2（x）$，它可以实现所需的周期性感应偏差以学习周期函数，同时保持$¥relu的最佳优化特性。基于$的激活。

135

Distribution Matching for Crowd Counting

在本文中，我们表明将高斯方法强加于注释会损害泛化性能。

136

Correspondence learning via linearly-invariant embedding

在本文中，我们提出了一个完全可微的流水线，用于估计3D点云之间的精确密集对应关系。

137

Learning to Dispatch for Job Shop Scheduling via Deep Reinforcement Learning

在本文中，我们建议通过端到端的深度强化学习代理自动学习PDR。

138

On Adaptive Attacks to Adversarial Example Defenses

尽管先前的评估论文主要侧重于最终结果（表明防御无效），但本文着重于提出实施自适应攻击所必需的方法和方法。

139

Sinkhorn Natural Gradient for Generative Models

在这方面，我们提出了一种新颖的Sinkhorn自然梯度（SiNG）算法，该算法可作为Sinkhorn散度赋予的概率空间的最速下降方法。

140

Online Sinkhorn: Optimal Transport distances from sample streams

本文介绍了一种新的在线估计器，用于估计两个这样的任意分布之间的熵正则化OT距离。

141

Ultrahyperbolic Representation Learning

在本文中，我们提出了一个存在于恒定非零曲率的伪黎曼流形上的表示。

142

Locally-Adaptive Nonparametric Online Learning

我们通过引入高效的在线算法（基于单个通用主算法）来填补这一空白，每种算法均符合以下规则之一：（i）竞争者函数的局部Lipschitzness，（ii）实例序列的局部度量维度，（iii ）预测变量在实例空间不同区域的局部性能。

143

Compositional Generalization via Neural-Symbolic Stack Machines

为了解决这个问题，我们提出了神经符号堆叠机（NeSS）。

144

Graphon Neural Networks and the Transferability of Graph Neural Networks

在本文中，我们介绍了石墨烯NN作为GNN的极限对象，并证明了GNN的输出与其极限石墨烯NN之间的差异的界限。

145

Unreasonable Effectiveness of Greedy Algorithms in Multi-Armed Bandit with Many Arms

我们研究了{¥em many-armed}贝叶斯多臂强盗问题中的后悔最小化政策的结构：特别是在$ k $的武器数量和$ T $时间范围的情况下，我们考虑了$ k¥geq¥sqrt {T} $。

146

Gamma-Models: Generative Temporal Difference Learning for Infinite-Horizon Prediction

我们介绍了伽马模型，这是一种具有无限概率范围的环境动力学的预测模型。

147

Deep Transformers with Latent Depth

我们提出了一个概率框架，通过学习层选择的后验分布来自动学习要使用哪个层。

148

Neural Mesh Flow: 3D Manifold Mesh Generation via Diffeomorphic Flows

在这项工作中，我们提出了NeuralMeshFlow（NMF）来为属0形状生成两个流形网格。

149

Statistical control for spatio-temporal MEG/EEG source imaging with desparsified mutli-task Lasso

为了解决这个问题，我们将稀疏化的Lasso估计器（为针对高维线性模型量身定制的估计器，在稀疏度和中等特征相关假设下渐进地遵循高斯分布）适应了因自相关噪声而损坏的时间数据。

150

A Scalable MIP-based Method for Learning Optimal Multivariate Decision Trees

在本文中，我们提出了一种基于1-范数支持向量机模型的新型MIP公式，用于训练针对分类问题的二进制斜式ODT。

151

Efficient Exact Verification of Binarized Neural Networks

我们提出了一种新的EEV系统，用于高效准确地验证BNN。

152

Ultra-Low Precision 4-bit Training of Deep Neural Networks

在本文中，我们提出了许多新颖的技术和数值表示形式，它们首次使训练系统的精度从8位积极地扩展到4位。

153

Bridging the Gap between Sample-based and One-shot Neural Architecture Search with BONAS

在这项工作中，我们提出了BONAS（贝叶斯优化神经体系结构搜索），这是一个基于样本的NAS框架，它使用权重共享来加速以同时评估多个相关体系结构。

154

On Numerosity of Deep Neural Networks

最近，发表了一个具有挑衅性的主张，即数字感觉自发地出现在仅针对视觉对象识别而训练的深度神经网络中。如果是真的，这对机器学习和认知科学领域都具有深远的意义。在本文中，我们证明上述说法是错误的。

155

Outlier Robust Mean Estimation with Subgaussian Rates via Stability

我们在有界协方差假设下，更广泛地在有界低度矩假设下研究离群鲁棒高维均值估计的问题。

156

Self-Supervised Relationship Probing

在这项工作中，我们引入了一种自我监督的方法，该方法隐式地学习了视觉关系，而无需依赖任何真实的视觉关系注释。

157

Information Theoretic Counterfactual Learning from Missing-Not-At-Random Feedback

为了规避RCT的使用，我们建立了一个信息理论反事实变体信息瓶颈（CVIB），作为无RCT的偏向学习的替代方法。

158

Prophet Attention: Predicting Attention with Future Attention

在本文中，我们提出了先知注意，类似于自我监督的形式。

159

Language Models are Few-Shot Learners

具体来说，我们训练GPT-3（一种具有1750亿个参数的自回归语言模型，比以前的任何非稀疏语言模型多10倍），并在很少的设置下测试其性能。

160

Margins are Insufficient for Explaining Gradient Boosting

在这项工作中，我们首先证明了第k个裕度边界不足以解释最新的梯度增强器的性能。然后，我们解释第k个边界的不足之处，并证明一个更强大，更细化的基于边界的泛化边界，确实可以成功地解释现代梯度增强器的性能。

161

Fourier-transform-based attribution priors improve the interpretability and stability of deep learning models for genomics

为了解决这些缺点，我们提出了一种新颖的归因算法，其中在训练时计算输入级归因得分的傅立叶变换，并对傅立叶频谱的高频分量进行惩罚。

162

MomentumRNN: Integrating Momentum into Recurrent Neural Networks

我们从理论上证明并通过数值证明，MomentumRNN减轻了训练RNN时消失的梯度问题。

163

Marginal Utility for Planning in Continuous or Large Discrete Action Spaces

在本文中，我们探索通过优化一种新颖的客观边际效用来明确学习候选动作生成器。

164

Projected Stein Variational Gradient Descent

在这项工作中，我们提出了一种{投影斯坦因变量梯度下降}（pSVGD）方法，通过利用由于此类问题的不适定性而利用数据知悉子空间的固有低维性的基本特性来克服这一挑战。

165

Minimax Lower Bounds for Transfer Learning with Linear and One-hidden Layer Neural Networks

在本文中，我们开发了一个统计极小极大框架，以线性和单层神经网络模型在回归的背景下表征迁移学习的基本限制。

166

SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks

我们介绍SE（3）-Transformer，它是3D点云的自注意模块的变体，在连续3D旋转平移下它是等变的。

167

On the equivalence of molecular graph convolution and molecular wave function with poor basis set

在这项研究中，我们证明了Pauling和Lennard-Jones在1920年代引入的近似原子轨道线性组合（LCAO）对应于分子的图卷积网络（GCN）。

168

The Power of Predictions in Online Control

我们研究了在动态随机和对抗性干扰的影响下，在线线性二次调节器控制中预测的影响。

169

Learning Affordance Landscapes for Interaction Exploration in 3D Environments

我们引入了一种增强型学习方法来进行交互探索，从而使具体体现的代理人能够自主发现新的未映射3D环境（例如，陌生的厨房）的负担能力情况。

170

Cooperative Multi-player Bandit Optimization

我们设计了一种分布式学习算法，该算法可以克服玩家偏向最大化他们所获得的更多信息的玩家所获得的信息偏差的信息。

171

Tight First- and Second-Order Regret Bounds for Adversarial Linear Bandits

我们提出了具有对抗性线性强盗一阶和二阶后悔界限的新颖算法。

172

Just Pick a Sign: Optimizing Deep Multitask Models with Gradient Sign Dropout

我们提出了Gradient Sign Dropout（GradDrop），一种概率掩蔽程序，该程序根据其一致性级别在激活层上对梯度进行采样。

173

A Loss Function for Generative Neural Networks Based on Watson?s Perceptual Model

我们基于Watson的感知模型提出了这样的损失函数，该模型计算频率空间中的加权距离并说明亮度和对比度掩盖。

174

Dynamic Fusion of Eye Movement Data and Verbal Narrations in Knowledge-rich Domains

我们建议共同分析专家的眼动和言语叙述，以发现重要且可解释的知识模式，以更好地了解他们的决策过程。

175

Scalable Multi-Agent Reinforcement Learning for Networked Systems with Average Reward

在本文中，我们识别出一类丰富的网络MARL问题，其中模型表现出局部依赖结构，可以以可扩展的方式对其进行求解。

176

Optimizing Neural Networks via Koopman Operator Theory

最近发现，考夫曼算子理论（Koopman算子理论）是发现非线性动力学系统基本动力学的有力框架，与神经网络训练密切相关。在这项工作中，我们采取了使用此连接的第一步。

177

SVGD as a kernelized Wasserstein gradient flow of the chi-squared divergence

我们介绍了有关SVGD的新观点，而是将SVGD视为卡方散度的核化梯度流。

178

Adversarial Robustness of Supervised Sparse Coding

在这项工作中，我们通过考虑一个模型来取得更好的平衡，该模型包括学习表示形式，同时给出精确的概括范围和鲁棒性证书。

179

Differentiable Meta-Learning of Bandit Policies

在这项工作中，我们使用来自P的样本学习未知分布P的此类策略。

180

Biologically Inspired Mechanisms for Adversarial Robustness

在这项工作中，我们研究了两种生物学上合理的机制在对抗性鲁棒性中的作用。

181

Statistical-Query Lower Bounds via Functional Gradients

对于ReLU回归的特定问题（等效地，不可知论地学习ReLU），我们证明了任何具有容差$ n ^ {- （1 /¥epsilon）^ b} $的统计查询算法都必须至少使用$ 2 ^ {n ^ c}¥epsilon $查询一些常数$ b，c> 0 $，其中$ n $是尺寸，$¥epsilon $是精度参数。

182

Near-Optimal Reinforcement Learning with Self-Play

本文首次弥合了这一差距：我们提出了样本复杂度为¥tlO（SAB）的Nash Q学习算法的乐观变体，以及样本复杂度为¥tlO（S（A + B ））。

183

Network Diffusions via Neural Mean-Field Dynamics

我们提出了一种基于神经平均场动力学的新颖学习框架，用于网络扩散的推理和估计问题。

184

Self-Distillation as Instance-Specific Label Smoothing

考虑到这一点，我们为师生培训提供了一种新的解释，即摊销MAP估计，从而使老师的预测能够实现针对特定实例的正则化。

185

Towards Problem-dependent Optimal Learning Rates

在本文中，我们提出了一个基于“统一局部收敛”原理的新框架。

186

Cross-lingual Retrieval for Iterative Self-Supervised Training

在这项工作中，我们发现通过对使用自己的编码器输出提取的句子对训练seq2seq模型，可以进一步改善跨语言的对齐方式。

187

Rethinking pooling in graph neural networks

在本文中，我们以具有代表性的GNN为基础，并引入了变体，这些变体通过使用随机图或在补图上进行聚类来挑战需要保留位置的表示形式。

188

Pointer Graph Networks

在这里，我们介绍了指针图形网络（PGN），该网络通过附加的推断边来增强集或图形，从而提高了模型的泛化能力。

189

Gradient Regularized V-Learning for Dynamic Treatment Regimes

在本文中，我们介绍了梯度正则化V学习（GRV），这是一种估算DTR值函数的新方法。

190

Faster Wasserstein Distance Estimation with the Sinkhorn Divergence

在这项工作中，我们建议使用Sinkhorn散度来估计它，该散度也是建立在熵正则化的基础上，但包含去偏项。

191

Forethought and Hindsight in Credit Assignment

我们通过加强世界内部模型的规划来改进强化学习中的学分分配问题，并探索有关代理商如何最好地使用附加计算来传播新信息的方式的基本问题。

192

Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification

本文开发了一种用于子组分析的新方法R2P，它可以解决所有这些弱点。

193

Rescuing neural spike train models from bad MLE

为了减轻这种情况，我们建议使用尖峰序列内核直接最小化神经记录和模型生成的尖峰序列之间的差异。

194

Lower Bounds and Optimal Algorithms for Personalized Federated Learning

在这项工作中，我们考虑了Hanzely＆Richtarik（2020）最近引入的个性化联合学习的优化公式，该公式被证明可以替代本地SGD方法的工作原理。

195

Black-Box Certification with Randomized Smoothing: A Functional Optimization Based Framework

从统一的功能优化角度，我们提出了一种具有非高斯噪声和更一般攻击类型的对抗性认证的通用框架。

196

Deep Imitation Learning for Bimanual Robotic Manipulation

我们提出了在连续状态动作空间中用于机器人双手操纵的深度模仿学习框架。

197

Stationary Activations for Uncertainty Calibration in Deep Learning

我们引入了一个新的非线性神经网络激活函数家族，该函数模仿了由高斯过程（GP）模型中广泛使用的Mat¥'ern核家族引起的特性。

198

Ensemble Distillation for Robust Model Fusion in Federated Learning

在这项工作中，我们研究了针对FL的更强大，更灵活的聚合方案。

199

Falcon: Fast Spectral Inference on Encrypted Data

在本文中，我们提出了一种快速的，频域深的神经网络，名为Falcon，用于对加密数据的快速推断。

200

On Power Laws in Deep Ensembles

在这项工作中，我们专注于分类问题，并研究了深集合的未校准和已校准负对数似然（CNLL）的行为，作为集合大小和成员网络大小的函数。

201

Practical Quasi-Newton Methods for Training Deep Neural Networks

我们考虑开发用于训练深度神经网络（DNN）的实际随机准牛顿方法，尤其是Kronecker分解对角线BFGS和L-BFGS方法。

202

Approximation Based Variance Reduction for Reparameterization Gradients

在这项工作中，我们提出了一个控制变量，该变量适用于任何具有已知均值和协方差的可重分配分布，例如具有任何协方差结构的高斯分布。

203

Inference Stage Optimization for Cross-scenario 3D Human Pose Estimation

在这项工作中，我们提出了一个新颖的框架，即推理阶段优化（ISO），用于在源数据和目标数据来自不同的姿态分布时提高3D姿态模型的通用性。

204

Consistent feature selection for analytic deep neural networks

在这项工作中，我们研究了解析深度网络的特征选择问题。

205

Glance and Focus: a Dynamic Approach to Reducing Spatial Redundancy in Image Classification

受并非图像中的所有区域都与任务相关的事实的启发，我们提出了一种新颖的框架，该框架通过处理一系列相对较小的输入来执行有效的图像分类，这些输入相对较小，这些输入是通过强化学习从原始图像中策略性地选择的。

206

Information Maximization for Few-Shot Learning

我们引入了转导式信息最大化（TIM），以进行少量学习。

207

Inverse Reinforcement Learning from a Gradient-based Learner

在本文中，我们提出了一种针对该设置的新算法，该算法的目标是在学习过程中产生一系列策略的情况下，恢复由代理优化的奖励函数。

208

Bayesian Multi-type Mean Field Multi-agent Imitation Learning

在本文中，我们提出了贝叶斯多类型平均场多智能体模仿学习（BM3IL）。

209

Bayesian Robust Optimization for Imitation Learning

为了在这两个极端之间架起桥梁，我们提出了贝叶斯鲁棒优化模仿学习（BROIL）。

210

Multiview Neural Surface Reconstruction by Disentangling Geometry and Appearance

在这项工作中，我们解决了多视图3D表面重建的难题。

211

Riemannian Continuous Normalizing Flows

为了克服这个问题，我们引入了黎曼连续归一化流，该模型通过将流定义为常微分方程的解，从而允许对光滑流形上的柔性概率测度进行参数化。

212

Attention-Gated Brain Propagation: How the brain can implement reward-based error backpropagation

我们展示了具有任意数量层的深层网络的生物学上可行的强化学习方案。

213

Asymptotic Guarantees for Generative Modeling Based on the Smooth Wasserstein Distance

在这项工作中，我们对最小光滑Wasserstein估计量（MSWE）进行了彻底的统计研究，首先证明了估计量的可测性和渐近一致性。

214

Online Robust Regression via SGD on the l1 loss

相反，我们在这项工作中表明，在l1损失上的随机梯度下降以$¥tilde {O}（1 /（1-¥eta）^ 2 n）$的速率收敛到真实参数矢量，而速率与污染测量值。

215

PRANK: motion Prediction based on RANKing

在本文中，我们介绍了满足这些要求的PRANK方法。

216

Fighting Copycat Agents in Behavioral Cloning from Observation Histories

为了解决这个“模仿问题”，我们提出了一种对抗性方法来学习一种特征表示，该特征表示会删除有关先前专家操作令人讨厌的内容的过多信息，同时保留预测下一个操作所需的信息。

217

Tight Nonparametric Convergence Rates for Stochastic Gradient Descent under the Noiseless Linear Model

在此模型下，我们分析了最小风险下单步固定步长随机梯度下降的收敛性。

218

Structured Prediction for Conditional Meta-Learning

在这项工作中，我们提出了通过结构化预测进行条件元学习的新视角。

219

Optimal Lottery Tickets via Subset Sum: Logarithmic Over-Parameterization is Sufficient

在这项工作中，我们缩小了差距，并对存在彩票的过度参数化要求进行了指数改进。

220

The Hateful Memes Challenge: Detecting Hate Speech in Multimodal Memes

这项工作为多模式分类提出了一个新的挑战集，重点是在多模式模因中检测仇恨语音。

221

Stochasticity of Deterministic Gradient Descent: Large Learning Rate for Multiscale Objective Function

本文建议，不使用任何随机梯度逼近的确定性梯度下降仍然可以表现出随机行为。

222

Identifying Learning Rules From Neural Network Observables

关于需要进行哪些具体的实验测量以确定任何给定的学习规则在实际的生物系统中是否有效，这是一个悬而未决的问题。在这项工作中，我们对这个问题采取了“虚拟实验”的方法。

223

Optimal Approximation – Smoothness Tradeoffs for Soft-Max Functions

我们的目标是为近似和平滑度的不同度量确定最佳近似平滑度折衷。

224

Weakly-Supervised Reinforcement Learning for Controllable Behavior

在这项工作中，我们介绍了一个框架，该框架使用弱监督自动将任务的这个语义有意义的子空间与无意义的“ chaff”任务的巨大空间自动区分开。

225

Improving Policy-Constrained Kidney Exchange via Pre-Screening

我们提出了贪婪的启发式搜索和蒙特卡洛树搜索，它们优于以前的方法，使用了来自器官共享联合网络的合成数据和真实肾脏交换数据的实验。

226

Learning abstract structure for drawing by efficient motor program induction

我们显示出人们自发地学习支持概括的抽象绘图程序，并提出了一个学习者如何发现这些可重用绘图程序的模型。

227

Why Do Deep Residual Networks Generalize Better than Deep Feedforward Networks? — A Neural Tangent Kernel Perspective

本文从所谓的“神经正切核”的角度研究了深度学习中的这个基本问题。

228

Dual Instrumental Variable Regression

我们提出了一种非线性工具变量（IV）回归的新颖算法DualIV，该算法通过对偶公式简化了传统的两阶段方法。

229

Stochastic Gradient Descent in Correlated Settings: A Study on Gaussian Processes

在本文中，我们将重点放在高斯过程（GP）上，并通过证明小批量SGD收敛到全损失函数的临界点，向突破障碍迈进了一步，并以速率$ O（¥frac {1）恢复模型超参数。 } {K}）$取决于小批量的大小，直至统计误差项。

230

Interventional Few-Shot Learning

多亏了它，我们提出了一种新颖的FSL范式：介入式少量学习（IFSL）。

231

Minimax Value Interval for Off-Policy Evaluation and Policy Optimization

我们研究使用价值函数和边际重要性权重进行政策评估（OPE）的minimax方法。

232

Biased Stochastic First-Order Methods for Conditional Stochastic Optimization and Applications in Meta Learning

对于这种特殊设置，我们提出了一种与下限复杂度匹配的加速算法，称为有偏的SpiderBoost（BSpiderBoost）。

233

ShiftAddNet: A Hardware-Inspired Deep Network

本文介绍了ShiftAddNet，其主要灵感来自节能硬件实现中的常规做法，也就是说，可以通过加法和逻辑移位来执行乘法。

234

Network-to-Network Translation with Conditional Invertible Neural Networks

因此，我们寻求一种可以在不同的现有表示形式之间建立联系的模型，并提出使用条件可逆网络解决该任务。

235

Intra-Processing Methods for Debiasing Neural Networks

在这项工作中，我们开始研究一种新的范式，以消除研究中的内部处理中的偏见，这种内部研究介于处理中和处理后方法之间。

236

Finding Second-Order Stationary Points Efficiently in Smooth Nonconvex Linearly Constrained Optimization Problems

本文提出了两种有效的算法，用于计算具有通用光滑非凸目标函数和通用线性约束的问题的近似二阶平稳点（SOSP）。

237

Model-based Policy Optimization with Unsupervised Model Adaptation

在本文中，我们研究了如何弥补由于模型估计不准确而导致的真实数据与模拟数据之间的差距，从而实现更好的策略优化。

238

Implicit Regularization and Convergence for Weight Normalization

在这里，我们研究权重归一化（WN）方法¥cite {salimans2016weight}和一个称为重新参数化投影梯度下降法（rPGD）的变体，用于过度参数化的最小二乘回归和一些更一般的损失函数。

239

Geometric All-way Boolean Tensor Decomposition

在这项工作中，我们提出了一种计算效率高的BTD算法，即用于所有阶张量因数分解（GETF）的几何扩展，该算法从几何角度顺序确定张量的等级1基础分量。

240

Modular Meta-Learning with Shrinkage

在这里，我们提出了一种元学习方法，该方法无需进行通常次优的手动选择。

241

A/B Testing in Dense Large-Scale Networks: Design and Inference

在本文中，我们提出了一种新颖的策略，可以准确地估算密集的大型网络中一类治疗的因果效应。

242

What Neural Networks Memorize and Why: Discovering the Long Tail via Influence Estimation

在这项工作中，我们设计实验以测试该理论中的关键思想。

243

Partially View-aligned Clustering

在本文中，我们研究了多视图数据聚类中的一个具有挑战性的问题。

244

Partial Optimal Tranport with applications on Positive-Unlabeled Learning

在本文中，我们解决了部分Wasserstein问题和Gromov-Wasserstein问题，并提出了精确的算法来解决这些问题。

245

Toward the Fundamental Limits of Imitation Learning

在本文中，我们专注于理解情节马尔可夫决策过程（MDP）中IL的极大极小统计极限。

246

Logarithmic Pruning is All You Need

在这项工作中，我们删除了先前工作的最大局限性假设，同时提供了更为严格的界限：过度参数化的网络只需要对数因子（除深度以外的所有变量）单位目标网络重量的神经元数。

247

Hold me tight! Influence of discriminative features on deep network boundaries

在这项工作中，我们借鉴了对抗性鲁棒性领域的工具，并提出了将数据集特征与样本到决策边界的距离相关的新观点。

248

Learning from Mixtures of Private and Public Populations

受到以上示例的启发，我们考虑一个模型，其中人口$¥cD $是两个可能不同的子种群的混合：私有和敏感数据的私有子种群$¥Dprv $，以及公共子种群无需担心隐私的$¥Dpub $数据。

249

Adversarial Weight Perturbation Helps Robust Generalization

在本文中，我们从一个新的角度研究了减肥格局，并确定了减肥格局的平坦性与鲁棒的广义缺口之间的明确关联。

250

Stateful Posted Pricing with Vanishing Regret via Dynamic Deterministic Markov Decision Processes

在本文中，引入了一个相当普遍的在线问题，称为¥emph {带容量约束的动态资源分配（DRACC）}，并在发布价格机制的领域中进行了研究。

251

Adversarial Self-Supervised Contrastive Learning

在本文中，我们提出了一种针对未标记数据的新型对抗攻击，这使得该模型混淆了被干扰数据样本的实例级身份。

252

Normalizing Kalman Filters for Multivariate Time Series Analysis

在此程度上，我们提出了一种将经典状态空间模型与深度学习方法相协调的新颖方法。

253

Learning to summarize with human feedback

在这项工作中，我们表明可以通过训练模型来优化人类偏好来显着提高摘要质量。

254

Fourier Spectrum Discrepancies in Deep Network Generated Images

在本文中，我们对真实和深层网络生成的图像的高频傅里叶模式进行了分析，并表明深层网络生成的图像在复制这些高频模式的属性方面存在可观察的系统缺陷。

255

Lamina-specific neuronal properties promote robust, stable signal propagation in feedforward networks

具体来说，我们发现，由输入驱动的尖峰信号上的神经元的每一层进行的信号变换，可以解调由前一层引入的信号失真。

256

Learning Dynamic Belief Graphs to Generalize on Text-Based Games

在这项工作中，我们研究了代理商如何使用从原始文本端到端学习到的图形结构表示法来计划和推广基于文本的游戏。

257

Triple descent and the two kinds of overfitting: where & why do they appear?

在本文中，我们表明，尽管它们在表面上相似，但这两种情况本质上是不同的。

258

Multimodal Graph Networks for Compositional Generalization in Visual Question Answering

在本文中，我们建议通过使用神经因子图在不同模式（例如图像和文本）之间引发更紧密的耦合来应对这一挑战。

259

Learning Graph Structure With A Finite-State Automaton Layer

在这项工作中，我们研究了学习从固有图结构派生抽象关系的问题。

260

A Universal Approximation Theorem of Deep Neural Networks for Expressing Probability Distributions

本文研究了用于表示概率分布的深层神经网络的通用逼近性质。

261

Unsupervised object-centric video generation and decomposition in 3D

相反，我们建议将视频建模为在具有多个3D对象和3D背景的场景中移动时看到的视图。

262

Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization

在本文中，我们介绍了一种简单有效的方法来提高深层神经网络在医学影像分类领域的泛化能力。

263

Multi-label classification: do Hamming loss and subset accuracy really conflict with each other?

本文试图通过分析SA和HL测度上相应学习算法的学习保证来填补这一空白。

264

A Novel Automated Curriculum Strategy to Solve Hard Sokoban Planning Instances

我们提出了一种新颖的{¥em自动}课程方法，该方法从{label困难量子量子动量}策略指导的各种任务复杂性的无标签训练实例中动态选择。

265

Causal analysis of Covid-19 Spread in Germany

在这项工作中，我们考虑到自大流行开始以来Covid-19的扩散，研究了德国各地区之间的因果关系，同时考虑了不同联邦州实施的限制政策。

266

Locally private non-asymptotic testing of discrete distributions is faster using interactive mechanisms

我们发现在阿尔法局部差分隐私的约束下，用于测试多项式或更一般的离散分布的分离率。

267

Adaptive Gradient Quantization for Data-Parallel SGD

我们凭经验观察到，深层模型的梯度统计在训练过程中会发生变化。基于这种观察，我们引入了两种自适应量化方案：ALQ和AMQ。

268

Finite Continuum-Armed Bandits

针对非参数设置，其中平均报酬是一维协变量的未知函数，我们针对此问题提出了一种最佳策略。

269

Removing Bias in Multi-modal Classifiers: Regularization by Maximizing Functional Entropies

为了缓解这一缺点，我们提出了一个基于函数熵的新颖的正则化项。

270

Compact task representations as a normative model for higher-order brain activity

更具体地说，我们关注状态基于动作观察历史的MDP，并展示如何压缩状态空间以消除不必要的冗余，同时保留与任务相关的信息。

271

Robust-Adaptive Control of Linear Systems: beyond Quadratic Costs

在必须避免故障的关键环境中，我们考虑具有未知参数的线性系统的鲁棒和自适应模型预测控制（MPC）问题（自适应）。

272

Co-exposure Maximization in Online Social Networks

在本文中，我们研究了将种子用户分配给反对运动的问题：通过利用传统媒体上政治运动的等时规则，我们的目标是将种子用户分配给运动者，目的是最大化预期的用户数量谁同时参加了这两个广告系列。

273

UCLID-Net: Single View Reconstruction in Object Space

在本文中，我们表明，构建保留3维潜在空间的几何形状有助于网络同时学习对象坐标空间中的全局形状规则和局部推理，从而提高性能。

274

Reinforcement Learning for Control with Multiple Frequencies

在本文中，我们对RL中的多个控制频率问题进行形式化，并提供其有效的解决方法。

275

Complex Dynamics in Simple Neural Networks: Understanding Gradient Flow in Phase Retrieval

在这里，我们专注于从随机测量中获取相位的梯度流动力学。

276

Neural Message Passing for Multi-Relational Ordered and Recursive Hypergraphs

在这项工作中，我们首先将不同结构上的现有MPNN统一到G-MPNN（通用MPNN）框架中。

277

A Unified View of Label Shift Estimation

在本文中，我们给出了这两种方法的统一视图以及MLLS的第一个理论特征。

278

Optimal Private Median Estimation under Minimal Distributional Assumptions

我们研究了一项基本任务，即在纯差分隐私约束下，从有限数量的样本中估算基础分布的中位数。

279

Breaking the Communication-Privacy-Accuracy Trilemma

在本文中，我们开发了新颖的编码和解码机制，可以在各种规范设置下同时实现最佳的隐私和通信效率。

280

Audeo: Audio Generation for a Silent Performance Video

我们在这项工作中的主要目的是探索这种转换的合理性，并确定能够将声音与视觉事件相关联的线索和组件。

281

Ode to an ODE

我们提出了一种新的神经ODE算法范例，称为ODEtoODE，其中主流的时间相关参数根据正交组O（d）上的矩阵流而演化。

282

Self-Distillation Amplifies Regularization in Hilbert Space

这项工作提供了自我蒸馏的第一个理论分析。

283

Coupling-based Invertible Neural Networks Are Universal Diffeomorphism Approximators

如果没有通用性，则可能存在行为良好的可逆转换，而CF-INN永远无法近似，因此将使模型类不可靠。我们通过显示一个方便的标准来回答这个问题：如果CF-INN的层包含仿射耦合和特殊情况下的可逆线性函数，则它是通用的。

284

Community detection using fast low-cardinality semidefinite programming?

在本文中，我们提出了一种新的低基数算法，该算法泛化了局部更新以最大化从max-k-cut导出的半确定松弛。

285

Modeling Noisy Annotations for Crowd Counting

在本文中，我们首先使用具有高斯分布的随机变量对注释噪声建模，然后得出图像中每个空间位置的人群密度值的pdf。然后，我们用全协方差多元高斯密度来估计密度值的联合分布（即，密度图的分布），并得出易于实施的低秩近似。

286

An operator view of policy gradient methods

我们将策略梯度方法转换为两个运算符的重复应用：一个策略改进运算符$¥mathcal {I} $，它将任何策略$¥pi $映射到一个更好的$¥mathcal {I}¥pi $，以及一个投影运算符$¥mathcal {P} $，它在可实现的策略集中找到$¥mathcal {I}¥pi $的最佳近似值。

287

Demystifying Contrastive Self-Supervised Learning: Invariances, Augmentations and Dataset Biases

某种程度上，最近的性能提升来自神秘的训练实例分类模型，该模型将每个图像及其增强版本作为单个类的样本来对待。在这项工作中，我们首先提出定量实验以揭露这些收益的神秘性。

288

Online MAP Inference of Determinantal Point Processes

在本文中，我们提供了一种有效的近似算法，用于在在线设置中为数据点以任意顺序到达的确定点过程（DPP）找到大小为$ k $的最大似然配置（MAP）。从其本地内存中选择元素。

289

Video Object Segmentation with Adaptive Feature Bank and Uncertain-Region Refinement

本文提出了一种新的基于匹配的半监督视频对象分割（VOS）框架。

290

Inferring learning rules from animal decision-making

强化学习通常侧重于使人工代理有效地学习新任务的算法设计，而在这里，我们开发了一个建模框架来直接推断动物用来获取新行为的经验学习规则。

291

Input-Aware Dynamic Backdoor Attack

在这项工作中，我们提出了一种新颖的后门攻击技术，其中触发因输入而异。

292

How hard is to distinguish graphs with graph neural networks?

这项研究得出了消息传递模型（MPNN）中图形同构的分类变量的硬度结果。

293

Minimax Regret of Switching-Constrained Online Convex Optimization: No Phase Transition

在本文中，我们表明，少于$ K $的$ T $舍入切换的OCO具有$¥Theta（¥frac {T} {¥sqrt {K}}）$的极小极大遗憾。

294

Dual Manifold Adversarial Robustness: Defense against Lp and non-Lp Adversarial Attacks

为了部分回答这个问题，我们考虑了基础数据的多种信息可用的情况。

295

Cross-Scale Internal Graph Neural Network for Image Super-Resolution

在本文中，我们探索了自然图像的跨尺度斑块递归特性，即相似的斑块往往在不同尺度上重复多次。

296

Unsupervised Representation Learning by Invariance Propagation

在本文中，我们提出不变性传播，专注于学习类别级别变异的不变表示，该表示由同一类别的不同实例提供。

297

Restoring Negative Information in Few-Shot Object Detection

在本文中，我们通过引入一个新的基于负代表和正代表的度量学习框架以及一个具有负代表和正代表的新推理方案，来恢复少发物体检测中的负信息。

298

Do Adversarially Robust ImageNet Models Transfer Better?

在这项工作中，我们确定了另一个方面：我们发现对抗性强健的模型虽然准确性较低，但在用于迁移学习时通常比其标准训练的模型表现更好。

299

Robust Correction of Sampling Bias using Cumulative Distribution Functions

我们通过对Vapnik和Izmailov提出的最新想法进行严格归纳，提出了一种使用目标分布的经验累积分布函数估计值处理协变量偏移的新方法。

300

Personalized Federated Learning with Theoretical Guarantees: A Model-Agnostic Meta-Learning Approach

在本文中，我们研究了联合学习的个性化变体，其中我们的目标是找到一个初始共享模型，该模型可以通过对当前用户或新用户执行一个或几个梯度下降步骤来轻松地适应其本地数据集。自己的数据。

301

Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation

在本文中，我们建议在源像素对和目标像素对之间建立像素级循环关联，并以对比方式增强它们的连接以减小域间隙并使特征更具区分性。

302

Classification with Valid and Adaptive Coverage

在本文中，我们针对分类和无序响应标签开发了这些技术的专门版本，这些标签除了提供边际覆盖率之外，还完全适应复杂的数据分布，从某种意义上说，与条件条件覆盖率相比，它们具有良好的性能。替代方法。

303

Learning Global Transparent Models consistent with Local Contrastive Explanations

在这项工作中，我们探索一个问题：我们能否产生一个透明的全局模型，该模型同时准确且与黑匣子模型的本地（对比）说明一致？

304

Learning to Approximate a Bregman Divergence

在本文中，我们着重于从监督中近似任意Bregman散度的问题，并且我们提供了一种很好的原则来分析这种近似。

305

Diverse Image Captioning with Context-Object Split Latent Spaces

为此，我们引入了一种潜在空间的新颖分解，称为上下文对象拆分，以对数据集中图像和文本之间的上下文描述中的多样性进行建模。

306

Learning Disentangled Representations of Videos with Missing Data

我们介绍了Disentangled估算视频自动编码器（DIVE），这是一种深度生成模型，可以在缺少数据的情况下估算和预测未来的视频帧。

307

Natural Graph Networks

在这里，我们表明，代替等方差，更一般的自然性概念足以使图网络得到明确定义，从而打开了一类更大的图网络。

308

Continual Learning with Node-Importance based Adaptive Group Sparse Regularization

我们提出了一种新颖的基于正则化的连续学习方法，称为“基于自适应组稀疏性的持续学习（AGS-CL）”，它使用了两个基于组稀疏性的惩罚。

309

Towards Crowdsourced Training of Large Neural Networks using Decentralized Mixture-of-Experts

在这项工作中，我们提出了Learning @ home：一种新颖的神经网络训练范例，旨在处理大量连接不良的参与者。

310

Bidirectional Convolutional Poisson Gamma Dynamical Systems

将自然文档句词结构纳入分级贝叶斯建模中，我们提出了卷积泊松伽马动力系统（PGDS），该系统不仅引入了词级概率卷积，还引入了句子级随机时态过渡。

311

Deep Reinforcement and InfoMax Learning

为了检验该假设，我们引入了一个基于Deep InfoMax（DIM）的目标，该目标通过最大化代理在连续时间步长的内部表示之间的相互信息来训练代理预测未来。

312

On ranking via sorting by estimated expected utility

我们以等级损失的结构化特征的形式提供了对此问题的答案，对于该损失，适当的回归是一致的。

313

Distribution-free binary classification: prediction sets, confidence intervals and calibration

对于无分布设置中的二进制分类，我们研究了不确定性量化的三个概念-校准，置信区间和预测集-即无需对数据进行任何分布假设。

314

Closing the Dequantization Gap: PixelCNN as a Single-Layer Flow

在本文中，我们介绍了子集流，这是一类流，可以灵活地转换有限体积，因此可以精确计算离散数据的可能性。

315

Sequence to Multi-Sequence Learning via Conditional Chain Mapping for Mixture Signals

在这项工作中，我们着重于一对多序列转导问题，例如从混合序列中提取多个序列源。

316

Variance reduction for Random Coordinate Descent-Langevin Monte Carlo

我们通过一个反例表明，在最一般的情况下盲目应用RCD并不能达到目标。

317

Language as a Cognitive Tool to Imagine Goals in Curiosity Driven Exploration

我们介绍了IMAGINE，这是一种内在动机的深度强化学习体系结构，可以对这种能力进行建模。

318

All Word Embeddings from One Embedding

在这项研究中，为了减少参数的总数，通过转换共享嵌入来表示所有单词的嵌入。

319

Primal Dual Interpretation of the Proximal Stochastic Gradient Langevin Algorithm

我们考虑关于对数凹概率分布的采样任务。

320

How to Characterize The Landscape of Overparameterized Convolutional Neural Networks

具体来说，我们考虑连续极限中超参数化卷积神经网络（CNN）的损耗情况，其中隐藏层中的通道/隐藏节点数达到无穷大。

321

On the Tightness of Semidefinite Relaxations for Certifying Robustness to Adversarial Examples

在本文中，我们描述了一种几何技术，该技术确定此SDP证书是否准确，这意味着它既提供最小对抗性扰动大小的下限，又提供达到该下限的全局最优扰动。

322

Submodular Meta-Learning

在本文中，我们介绍了元学习框架的离散形式。

323

Rethinking Pre-training and Self-training

我们的研究通过以下三点发现揭示了自我训练的一般性和灵活性：1）更强大的数据增强功能和更多标记数据进一步降低了预训练的价值； 2）与预训练不同，使用更强大的自我训练总是有帮助的在低数据和高数据两种情况下的数据增强，以及3）在预训练有帮助的情况下，自训练会在预训练后得到改善。

324

Unsupervised Sound Separation Using Mixture Invariant Training

在本文中，我们提出了一种完全无监督的方法，即混合不变训练（MixIT），该方法仅需要单通道声学混合。

325

Adaptive Discretization for Model-Based Reinforcement Learning

我们介绍了自适应离散化技术，以在大型（可能是连续的）状态动作空间中设计一种有效的基于模型的情节强化学习算法。

326

CodeCMR: Cross-Modal Retrieval For Function-Level Binary Source Code Matching

本文提出了一种用于二进制源代码匹配的端到端跨模式检索网络，该网络可以实现更高的准确性，并且需要较少的专家经验。

327

On Warm-Starting Neural Network Training

在这项工作中，我们仔细研究了这种经验现象，并试图了解它何时以及如何发生。

328

DAGs with No Fears: A Closer Look at Continuous Optimization for Learning Bayesian Networks

根据KKT条件，提出了一种本地搜索后处理算法，并表明该算法可以实质上普遍地提高所有测试算法的结构汉明距离，通常提高2倍或更多。

329

OOD-MAML: Meta-Learning for Few-Shot Out-of-Distribution Detection and Classification

我们提出了一种简单的学习方法，用于从训练过程中看不到的类别中检测出分布失调（OOD）样本，同时仅使用一些标记的示例对可见类别中的样本进行分类。

330

An Imitation from Observation Approach to Transfer Learning with Dynamics Mismatch

在本文中，我们证明了这种转移问题的一种现有解决方案-扎根的动作转换-与观察观察的模仿问题（IfO）密切相关：学习模仿行为演示观察结果的行为。

331

Learning About Objects by Learning to Interact with Them

从通过玩耍和互动从周围环境中学习的婴儿中汲取灵感，我们提出了一种计算框架，以沿着这种从互动中学习的范式发现对象并学习其物理特性。

332

Learning discrete distributions with infinite support

我们提出了一种新颖的方法来估计总变化量度中具有（潜在）无限支持的离散分布。

333

Dissecting Neural ODEs

在这项工作中，我们“打开了盒子”，进一步发展了连续深度的公式化，目的是弄清几种设计选择对基本动力的影响。

334

Teaching a GAN What Not to Learn

在本文中，我们从另一角度研究了监督的GAN问题，这是由著名的波斯诗人Rumi的哲学所驱动的，他说：“知道的艺术就是知道要忽略什么。”

335

Counterfactual Data Augmentation using Locally Factored Dynamics

我们提出了一种基于给定的面向对象状态表示来推断这些结构的方法，以及一种用于反事实数据增强（CoDA）的新颖算法。

336

Rethinking Learnable Tree Filter for Generic Feature Transform

为了放松几何约束，我们通过将其重新构造为马氏随机场来进行分析，并引入一个可学习的一元项。

337

Self-Supervised Relational Reasoning for Representation Learning

在这项工作中，我们提出了一种新的自我监督的关系推理方法，使学习者可以从未标记数据中隐含的信息中引导信号。

338

Sufficient dimension reduction for classification using principal optimal transport direction

为了解决这个问题，我们提出了一种使用最优传输的充分降维子空间（SDR子空间）的新颖估计方法。

339

Fast Epigraphical Projection-based Incremental Algorithms for Wasserstein Distributionally Robust Support Vector Machine

在本文中，我们重点关注Wasserstein分布鲁棒支持向量机（DRSVM）问题，并提出了两种新的基于射影投影的增量算法来解决这些问题。

340

Differentially Private Clustering: Tight Approximation Ratios

对于一些基本的聚类问题，包括欧几里得DensestBall，1-Cluster，k-means和k-median，我们给出了有效的差分私有算法，该算法可实现与任何非私有算法可获得的近似比率，而仅引起很小的附加误差。

341

On the Power of Louvain in the Stochastic Block Model

我们提供了用于分析Louvain的有价值的工具，还提供了许多其他组合算法的工具。

342

Fairness with Overlapping Groups; a Probabilistic Perspective

在算法上公平的预测问题中，一个标准目标是确保多个重叠组之间的公平性指标同时相等。我们使用概率总体分析重新考虑这个标准的公平分类问题，从而揭示贝叶斯最优分类器。

343

AttendLight: Universal Attention-Based Reinforcement Learning Model for Traffic Signal Control

我们提出AttendLight，一种用于交通信号控制问题的端到端强化学习（RL）算法。

344

Searching for Low-Bit Weights in Quantized Neural Networks

因此，我们提出将任意量化神经网络中的离散权重视为可搜索变量，并利用差分方法对其进行精确搜索。

345

Adaptive Reduced Rank Regression

为了补充上限，我们引入了新技术来为该问题的任何算法的性能建立下限。

346

From Predictions to Decisions: Using Lookahead Regularization

为此，我们引入了前瞻性正则化，它通过预期用户操作来鼓励预测模型也诱导出可以改善结果的操作。

347

Sequential Bayesian Experimental Design with Variable Cost Structure

我们提出并演示了一种在优化决策中考虑这些可变成本的算法。

348

Predictive inference is free with the jackknife+-after-bootstrap

在本文中，我们提出了“折刀+后引导程序”（J + aB），这是一种构建预测间隔的程序，该程序仅使用可用的自举示例及其相应的拟合模型，因此在成本方面“免费”模型拟合。

349

Counterfactual Predictions under Runtime Confounding

我们提出了一种在这种情况下学习反事实预测模型的双稳健程序。

350

Learning Loss for Test-Time Augmentation

本文提出了一种新颖的实例级测试时间扩充，可以有效地为测试输入选择合适的转换。

351

Balanced Meta-Softmax for Long-Tailed Visual Recognition

在本文中，我们证明了Softmax函数尽管在大多数分类任务中使用，但在长尾设置下给出了有偏差的梯度估计。

352

Efficient Exploration of Reward Functions in Inverse Reinforcement Learning via Bayesian Optimization

本文提出了一个称为贝叶斯优化-IRL（BO-IRL）的IRL框架，该框架通过有效地探索奖励函数空间来确定与专家论证相一致的多个解决方案。

353

MDP Homomorphic Networks: Group Symmetries in Reinforcement Learning

本文介绍了用于深度强化学习的MDP同态网络。

354

How Can I Explain This to You? An Empirical Study of Deep Neural Network Explanation Methods

我们进行了一项交叉分析Amazon Mechanical Turk研究，比较了流行的最新技术解释方法，以凭经验确定哪种方法更能解释模型决策。

355

On the Error Resistance of Hinge-Loss Minimization

在这项工作中，我们在数据上确定了一组条件，在这些条件下，此类替代损失最小化算法可证明学习正确的分类器。

356

Munchausen Reinforcement Learning

我们的核心贡献在于一个非常简单的想法：将扩展的日志策略添加到即时奖励中。

357

Object Goal Navigation using Goal-Oriented Semantic Exploration

我们提出了一个名为“面向目标的语义探索”的模块化系统，该系统可构建情节性语义图，并根据目标对象类别使用它来有效地探索环境。

358

Efficient semidefinite-programming-based inference for binary and multi-class MRFs

在本文中，我们提出了一种有效的方法来计算成对MRF中的分区函数或MAP估计，方法是利用最近提出的基于坐标下降的快速半定值求解器。

359

Funnel-Transformer: Filtering out Sequential Redundancy for Efficient Language Processing

基于这种直觉，我们提出了一种漏斗变换程序，该程序逐渐将隐藏状态序列压缩为较短的状态，从而降低了计算成本。

360

Semantic Visual Navigation by Watching YouTube Videos

本文通过简单地观看YouTube视频，学习并利用了这种语义线索，以在新颖的环境中导航至感兴趣的对象。

361

Heavy-tailed Representations, Text Polarity Classification & Data Augmentation

在本文中，我们开发了一种新颖的方法来学习关于分布尾部具有理想规则性的重尾嵌入，该方法允许使用多元极值理论的框架来分析远离分布体的点。

362

SuperLoss: A Generic Loss for Robust Curriculum Learning

相反，我们提出了一种简单而通用的方法，该方法可以应用于各种损失和任务，而无需改变学习过程。

363

CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models

在这项研究中，我们提出了一个名为CogMol（分子的受控代）的端到端框架，用于设计以高亲和力和脱靶选择性靶向新型病毒蛋白的新型药物样小分子。

364

Memory Based Trajectory-conditioned Policies for Learning from Sparse Rewards

在这项工作中，我们建议不要学习专注于有限多样性的良好体验，而应该学习一种基于轨迹的策略，以遵循并扩展内存缓冲区中过去的各种轨迹。

365

Liberty or Depth: Deep Bayesian Neural Nets Do Not Need Complex Weight Posterior Approximations

我们质疑长期以来的假设，即贝叶斯神经网络中用于变化推断的均值场近似具有严格的限制性，并表明在深度网络中并非如此。

366

Improving Sample Complexity Bounds for (Natural) Actor-Critic Algorithms

相比之下，本文描述了在马尔可夫抽样下AC和NAC的收敛速度和样本复杂度，其中每次迭代具有小批量数据，并且参与者具有通用策略类近似。

367

Learning Differential Equations that are Easy to Solve

我们建议一种补救措施，以鼓励更轻松地解决所学动态。

368

Stability of Stochastic Gradient Descent on Nonsmooth Convex Losses

具体来说，我们为任意形式的Lipschitz非光滑凸损失提供了几种形式的SGD和全批次GD的清晰上下限。

369

Influence-Augmented Online Planning for Complex Environments

在这项工作中，我们提出了影响力增强的在线计划，这是将整个环境的分解模拟器转换为本地模拟器的一种原理方法，该本地模拟器仅对与计划代理的观察和奖励最相关的状态变量进行采样并捕获使用机器学习方法从其他环境中传入的影响。

370

PAC-Bayes Learning Bounds for Sample-Dependent Priors

我们为样本依赖先验的随机算法提供了一系列新的PAC-Bayes学习保证。

371

Reward-rational (implicit) choice: A unifying formalism for reward learning

我们的主要观察结果是，可以在一个统一的形式主义中解释不同类型的行为，这是人类做出的一种奖励理性选择，通常是隐含的。

372

Probabilistic Time Series Forecasting with Shape and Temporal Diversity

在本文中，我们针对非平稳时间序列解决此问题，这是非常具有挑战性但至关重要的。

373

Low Distortion Block-Resampling with Spatially Stochastic Networks

我们形式化并解决了从尽可能多的旧图像生成新图像的问题，只允许它们在图像的某些部分不受限制地进行更改，同时保持全局一致。

374

Continual Deep Learning by Functional Regularisation of Memorable Past

在本文中，我们通过使用一种新的功能正则化方法来解决此问题，该方法利用了一些令人难忘的重要示例来避免遗忘。

375

Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning

在这里，我们提出并用数学方法分析了与结构相关的特征的通用类，称为距离编码（DE）。

376

Fast Fourier Convolution

在这项工作中，我们提出了一种被称为快速傅里叶卷积（FFC）的新颖卷积算子，它具有非局部接收场和卷积单元内跨尺度融合的主要特征。

377

Unsupervised Learning of Dense Visual Representations

在本文中，我们提出了与视图无关的密集表示（VADeR），用于无监督学习密集表示。

378

Higher-Order Certification For Randomized Smoothing

在这项工作中，我们提出了一个框架，可在不更改基础平滑方案的情况下改善这些平滑分类器的认证安全区域。

379

Learning Structured Distributions From Untrusted Batches: Faster and Simpler

在本文中，我们找到了一种吸引人的方法来综合[JO19]和[CLM19]的技术，以充分利用两个方面的优势：一种在多项式时间内运行并且可以利用基础分布中的结构实现亚线性样本复杂度的算法。

380

Hierarchical Quantized Autoencoders

这使我们引入了一个新的目标，用于训练分层VQ-VAE。

381

Diversity can be Transferred: Output Diversification for White- and Black-box Attacks

为了提高这些攻击的效率，我们提出了输出多样化采样（ODS），这是一种新颖的采样策略，旨在使目标模型的输出在生成的样本之间的多样性最大化。

382

POLY-HOOT: Monte-Carlo Planning in Continuous Space MDPs with Non-Asymptotic Analysis

在本文中，我们考虑了具有连续状态动作空间的环境中的蒙特卡洛规划，这在控制和机器人技术中的重要应用中鲜为人知。

383

AvE: Assistance via Empowerment

我们通过提高人类控制环境的能力提出了一种新的援助范式，并通过赋予人类权力来增强强化学习，从而使这种方法正式化。

384

Variational Policy Gradient Method for Reinforcement Learning with General Utilities

在本文中，我们考虑了马尔可夫决策问题中的策略优化，其中目标是状态行为占用度量的通用效用函数，该函数将上述几个示例归为特例。

385

Reverse-engineering recurrent neural network solutions to a hierarchical inference task for mice

我们研究递归神经网络（RNN）如何解决涉及两个潜在变量和以1-2个数量级分开的不同时间尺度的层次推理任务。

386

Temporal Positive-unlabeled Learning for Biomedical Hypothesis Generation via Risk Estimation

我们提出了一种变分推理模型来估计正先验，并将其结合到节点对嵌入的学习中，然后将其用于链路预测。

387

Efficient Low Rank Gaussian Variational Inference for Neural Networks

通过使用新形式的重新参数化技巧，我们得出了一种计算效率高的算法，该算法可通过具有低秩加对角协方差结构的高斯族执行VI。

388

Privacy Amplification via Random Check-Ins

在本文中，我们着重于在联邦学习（FL）的设置中进行类似DP-SGD的迭代方法，其中数据分布在许多设备（客户端）之间。

389

Probabilistic Circuits for Variational Inference in Discrete Graphical Models

在本文中，我们提出了一种新的方法，该方法利用概率电路模型（例如Sum Product Networks（SPN））的可处理性，为特定密度的类别准确（无需采样）计算ELBO梯度。

390

Your Classifier can Secretly Suffice Multi-Source Domain Adaptation

在这项工作中，我们提出了与MSDA不同的观点，其中观察到了深度模型以在标签监督下隐式对齐域。

391

Labelling unlabelled videos from scratch with multi-modal self-supervision

在这项工作中，我们（a）展示了视频数据集的无监督标记并非免费来自强特征编码器，并且（b）提出了一种新颖的聚类方法，该方法可以利用自然特征，对视频数据集进行伪标记而无需任何人工注释。视听方式之间的对应关系。

392

A Non-Asymptotic Analysis for Stein Variational Gradient Descent

在本文中，我们为SVGD算法提供了一种新颖的有限时间分析。

393

Robust Meta-learning for Mixed Linear Regression with Small Batches

我们介绍了一种在两种情况下都同时具有鲁棒性的频谱方法。

394

Bayesian Deep Learning and a Probabilistic Perspective of Generalization

我们表明，深层合奏为近似贝叶斯边缘化提供了一种有效的机制，并提出了一种相关方法，该方法通过在吸引盆地内边缘化来进一步改善预测分布，而没有明显的开销。

395

Unsupervised Learning of Object Landmarks via Self-Training Correspondence

本文解决了对象地标的无监督发现问题。

396

Randomized tests for high-dimensional regression: A more efficient and powerful solution

在本文中，我们通过利用随机投影技术来肯定地回答这个问题，并提出了一种将经典的$ F $ -test与随机投影步骤混合的测试程序。

397

Learning Representations from Audio-Visual Spatial Alignment

我们介绍了一种新颖的自我监督的借口任务，用于从视听内容中学习表示形式。

398

Generative View Synthesis: From Single-view Semantics to Novel-view Images

我们建议进一步发展，并引入生成视图综合（GVS），它可以在给定单个语义图的情况下合成场景的多个真实感视图。

399

Towards More Practical Adversarial Attacks on Graph Neural Networks

因此，我们提出了一种贪婪程序来校正考虑到收益递减模式的重要性得分。

400

Multi-Task Reinforcement Learning with Soft Modularization

因此，我们不是在所有任务之间天真地共享参数，而是引入了一种关于策略表示的显式模块化技术来缓解此优化问题。

401

Causal Shapley Values: Exploiting Causal Knowledge to Explain Individual Predictions of Complex Models

在本文中，我们提出了一个计算Shapley值的新颖框架，该框架概括了旨在绕开独立性假设的最新工作。

402

On the training dynamics of deep networks with $L_2$ regularization

我们研究了$ L_2 $正则化在深度学习中的作用，并揭示了模型性能，$ L_2 $系数，学习率和训练步骤数之间的简单关系。

403

Improved Algorithms for Convex-Concave Minimax Optimization

本文研究了极小极大优化问题minx maxy f（x，y），其中f（x，y）相对于x为mx凸，相对于y为my-强凹，（Lx，Lxy，Ly）-光滑。

404

Deep Variational Instance Segmentation

在本文中，我们提出了一种直接利用完全卷积网络（FCN）来预测实例标签的新颖算法。

405

Learning Implicit Functions for Topology-Varying Dense 3D Shape Correspondence

本文的目的是以一种无监督的方式学习拓扑变化对象的密集3D形状对应关系。

406

Deep Multimodal Fusion by Channel Exchanging

为此，本文提出了通道交换网络（CEN），这是一种无参数的多模态融合框架，可以在不同模态的子网之间动态交换通道。

407

Hierarchically Organized Latent Modules for Exploratory Search in Morphogenetic Systems

在本文中，我们激发了对所谓的元多样性搜索的需求，认为没有独特的地面真理有趣的多样性，因为它很大程度上取决于最终观察者及其动机。

408

AI Feynman 2.0: Pareto-optimal symbolic regression exploiting graph modularity

我们提出了一种改进的符号回归方法，该方法旨在将数据拟合为帕累托最优的公式，就给定复杂度而言具有最佳准确性的意义而言。

409

Delay and Cooperation in Nonstochastic Linear Bandits

本文为具有延迟匪徒反馈的在线线性优化提供了一种几乎最佳的算法。

410

Probabilistic Orientation Estimation with Matrix Fisher Distributions

本文着重于使用深度神经网络估计3D旋转集（SO（3））上的概率分布。

411

Minimax Dynamics of Optimally Balanced Spiking Networks of Excitatory and Inhibitory Neurons

总体而言，我们提出了一种新颖的规范EI网络建模方法，超越了违反Dale定律的广泛使用的能量最小化网络。

412

Telescoping Density-Ratio Estimation

为了解决此限制，我们引入了一个新的框架，即伸缩密度比估计（TRE），它可以估计高维空间中高度不同密度之间的比率。

413

Towards Deeper Graph Neural Networks with Differentiable Group Normalization

为了弥合差距，我们引入了两个过度平滑的指标和一种新技术，即可区分组标准化（DGN）。

414

Stochastic Optimization for Performative Prediction

我们开始进行用于性能预测的随机优化研究。

415

Learning Differentiable Programs with Admissible Neural Heuristics

我们研究学习以领域特定语言表示为程序的可区分功能的问题。

416

Improved guarantees and a multiple-descent curve for Column Subset Selection and the Nystrom method

我们开发了利用数据矩阵的光谱特性来获得改进的近似保证的技术，这些保证已超出标准的最坏情况分析范围。

417

Domain Adaptation as a Problem of Inference on Graphical Models

为了开发具有多个源域的自动域自适应方法，我们建议使用图形模型作为一种紧凑的方式来编码联合分布的变化属性，该属性可以从数据中学习，然后将域自适应视为一个问题。图形模型的贝叶斯推断。

418

Network size and size of the weights in memorization with two-layers neural networks

相比之下，我们基于{¥em complex}（而不是{¥em real}）重组对神经元提出了一种针对ReLU网络的新训练程序，为此，我们展示了$ O¥left（¥frac { n} {d}¥cdot¥frac {¥log（1 /¥epsilon）} {¥epsilon}¥right）$神经元，以及权重的接近最佳大小。

419

Certifying Strategyproof Auction Networks

我们提出了使用神经网络验证文献中的技术来明确验证特定估值配置文件下的策略可靠性的方法。

420

Continual Learning of Control Primitives : Skill Discovery via Reset-Games

在这项工作中，我们将展示一种单一方法如何使座席能够在最少的监督下获得技能，同时又无需重置。

421

HOI Analysis: Integrating and Decomposing Human-Object Interaction

类似于谐波分析（旨在研究如何用基波叠加表示信号），我们提出了HOI分析。

422

Strongly local p-norm-cut algorithms for semi-supervised learning and local graph clustering

在本文中，我们提出了涉及p范数的这些方法背后的目标函数的一般化。

423

Deep Direct Likelihood Knockoffs

我们开发了深度直接可能性仿制（DDLK），可直接将仿制掉期属性所隐含的KL差异最小化。

424

Meta-Neighborhoods

在这项工作中，我们朝着这个方向前进，并提出了一种半参数方法，即Meta-Neighborhoods，其中对输入的邻域进行自适应预测。

425

Neural Dynamic Policies for End-to-End Sensorimotor Learning

在这项工作中，我们开始弥合这一差距，并通过用微分方程对动作空间进行重新参数化，将动力学结构嵌入基于深度神经网络的策略中。

426

A new inference approach for training shallow and deep generalized linear models of noisy interacting neurons

在这里，我们开发了一个两步推理策略，通过在每个训练步骤中从网络交互中明确地将刺激中相关性的影响分离出来，从而使我们能够训练交互神经元的鲁棒广义线性模型。

427

Decision-Making with Auto-Encoding Variational Bayes

基于这些理论结果，我们建议学习一些关于最佳模型的近似建议，并使用多重重要性抽样进行决策组合。

428

Attribution Preservation in Network Compression for Reliable Network Interpretation

在本文中，我们证明了这些看似无关的技术会相互冲突，因为网络压缩会使产生的属性变形，从而可能导致关键任务应用程序遭受严重后果。

429

Feature Importance Ranking for Deep Learning

在本文中，我们提出了一种由运算符和选择器组成的新颖双网体系结构，用于发现固定大小的最佳特征子集，并同时在最佳子集中对这些特征的重要性进行排序。

430

Causal Estimation with Functional Confounders

当真正的混杂因素值可以表示为观测数据的函数时，我们研究因果推理；我们称此设置为功能混杂因子（EFC）。

431

Model Inversion Networks for Model-Based Optimization

我们建议使用模型反转网络（MIN）解决此类问题，该模型学习从得分到输入的逆映射。

432

Hausdorff Dimension, Heavy Tails, and Generalization in Neural Networks

为了弥合这一差距，在本文中，我们假设SGD的轨迹可以通过¥emph {Feller process}很好地近似，从而证明了SGD的泛化界，¥emph {Feller process}定义了丰富的Markov过程，其中包括最近的几种SDE表示形式（布朗氏或重尾）为特例。

433

Exact expressions for double descent and implicit regularization via surrogate random design

我们为最小范数线性估计的两次下降提供了第一个确切的非渐近表达式。

434

Certifying Confidence via Randomized Smoothing

在这项工作中，我们提出了一种为平滑分类器的预测置信度生成认证半径的方法。

435

Learning Physical Constraints with Neural Projections

我们提出了一个新的神经网络家族，通过学习其基础约束来预测物理系统的行为。

436

Robust Optimization for Fairness with Noisy Protected Groups

首先，我们研究天真地依赖受噪声保护的组标签的后果：当满足噪声组^ G的公平性标准时，我们为真实组G的公平性违反提供了上限。

437

Noise-Contrastive Estimation for Multivariate Point Processes

我们展示了如何代替使用噪声对比估计的一种方法，这种方法是一种具有较便宜的随机目标的通用参数估计方法。

438

A Game-Theoretic Analysis of the Empirical Revenue Maximization Algorithm with Endogenous Sampling

我们概括了Lavi等人（2019）提出的激励意识度量的定义，以量化由于N个输入样本中m> = 1的变化而导致的ERM产出价格下降，并提供了该度量的特定收敛率当不同类型的输入分布的N变为无穷大时，该值变为零。

439

Neural Path Features and Neural Path Kernel : Understanding the role of gates in deep learning

在本文中，我们分析性地描述了门和主动子网在深度学习中的作用。

440

Multiscale Deep Equilibrium Models

我们提出了一类新的隐式网络，即多尺度深度均衡模型（MDEQ），适用于大规模和高度分层的模式识别域。

441

Sparse Graphical Memory for Robust Planning

我们引入了稀疏图形内存（SGM），这是一种在稀疏内存中存储状态和可行转换的新数据结构。

442

Second Order PAC-Bayesian Bounds for the Weighted Majority Vote

我们提出了在多类分类中加权多数投票的预期风险的新颖分析。

443

Dirichlet Graph Variational Autoencoder

在这项工作中，我们提出了以图簇隶属度为潜在因子的Dirichlet图变分自编码器（DGVAE）。

444

Modeling Task Effects on Meaning Representation in the Brain via Zero-Shot MEG Prediction

在当前的工作中，我们研究参与者的脑磁记录（MEG）脑记录，这些记录负责回答有关具体名词的问题。

445

Counterfactual Vision-and-Language Navigation: Unravelling the Unseen

我们提出了一种新的学习策略，可以从观察值和生成的反事实环境中学习。

446

Robust Quantization: One Model to Rule Them All

为了解决此问题，我们提出了一种针对各种量化过程为模型提供固有鲁棒性的方法。

447

Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming

在这项工作中，我们提出了一种一阶双重SDP算法，该算法提供（1）任意时间限制（2）仅要求内存在网络激活总数中是线性的，并且（3）迭代复杂度与通过网络前进/后退的复杂性。

448

Federated Accelerated Stochastic Gradient Descent

我们提出了联邦加速随机梯度下降（FedAc），联邦平均化的原理性加速（FedAvg，也称为本地SGD），以进行分布式优化。

449

Robust Density Estimation under Besov IPM Losses

我们研究了在Huber污染模型下非参数密度估计的最小极大收敛速度，在该模型中，数据的“被污染”部分来自未知的离群值分布。

450

An analytic theory of shallow networks dynamics for hinge loss classification

在本文中，我们详细研究了一种简单类型的神经网络的训练动力学：单个隐藏层经过训练以执行分类任务。

451

Fixed-Support Wasserstein Barycenters: Computational Hardness and Fast Algorithm

我们研究固定支持的Wasserstein重心问题（FS-WBP），该问题包括计算在大小为$ n $的有限度量空间上支持的$ m $个离散概率测度的Wasserstein重心。

452

Learning to Orient Surfaces by Self-supervised Spherical CNNs

在这项工作中，我们展示了为点云表示的表面学习鲁棒的规范方向的可行性。

453

Adam with Bandit Sampling for Deep Learning

在本文中，我们提出了一个亚当的概括，称为亚当斯（Adambs），它使我们也可以根据它们在模型收敛中的重要性来适应不同的训练示例。

454

Parabolic Approximation Line Search for DNNs

利用这种抛物线属性，我们引入了一种简单而强大的线搜索方法，该方法执行与损耗形状有关的更新步骤。

455

Agnostic Learning of a Single Neuron with Gradient Descent

我们考虑了通过期望的平方损失$¥E _ {（x，y）¥sim¥mathcal {D}} [（¥sigma（w ^¥top x）-y）来学习最适合的单个神经元的问题。 ^ 2] $超过某些未知的联合分布$¥mathcal {D} $，方法是使用梯度下降来最小化一组iid样本$ S¥sim¥mathcal {D} ^ n $引起的经验风险。

456

Statistical Efficiency of Thompson Sampling for Combinatorial Semi-Bandits

我们建议通过分析组合汤普森抽样政策（CTS）的变体来回答这两个家庭的上述问题。

457

Analytic Characterization of the Hessian in Shallow ReLU Models: A Tale of Symmetry

我们考虑与针对平方损失拟合两层ReLU网络相关的优化问题，其中标签是由目标网络生成的。

458

Generative causal explanations of black-box classifiers

我们开发了一种方法，用于基于学习到的数据的低维表示来生成黑箱分类器的因果事后解释。

459

Sub-sampling for Efficient Non-Parametric Bandit Exploration

在本文中，我们提出了第一个基于重采样的多武装强盗算法，该算法同时为不同的武器族（即伯努利，高斯和泊松分布）同时实现了渐近最优后悔。

460

Learning under Model Misspecification: Applications to Variational and Ensemble methods

在这项工作中，我们提出了使用新的二阶PAC-Bayes边界族在模型错误指定和iid数据下对贝叶斯模型平均化泛化性能的新颖分析。

461

Language Through a Prism: A Spectral Approach for Multiscale Language Representations

我们建议建立模型，以深度表示形式隔离特定于规模的信息，并开发鼓励在训练过程中模型的方法，以了解更多有关特定尺度的信息。

462

DVERGE: Diversifying Vulnerabilities for Enhanced Robust Generation of Ensembles

我们提出了DVERGE，它通过提炼非鲁棒特征来隔离每个子模型中的对抗性漏洞，并使对抗性漏洞多样化，从而引发针对转移攻击的多种输出。

463

Towards practical differentially private causal graph discovery

在本文中，我们提出了一种差分私有因果图发现算法Priv-PC，与现有技术相比，该算法可改善实用性和运行时间。

464

Independent Policy Gradient Methods for Competitive Reinforcement Learning

在具有两个代理的竞争性强化学习环境中，我们获得了独立学习算法的全局非渐近收敛性保证（即零和随机游戏）。

465

The Value Equivalence Principle for Model-Based Reinforcement Learning

在本文中，我们认为基于模型的RL代理的有限表示资源可以更好地用于构建直接用于基于价值的计划的模型。

466

Structured Convolutions for Efficient Neural Network Design

在这项工作中，我们通过在卷积神经网络构件的隐式结构中利用冗余来解决模型效率。

467

Latent World Models For Intrinsically Motivated Exploration

在这项工作中，我们考虑奖励稀疏的部分可观察环境。

468

Estimating Rank-One Spikes from Heavy-Tailed Noise via Self-Avoiding Walks

在这项工作中，我们展示了一种估计器，该估计器可处理高达BBP阈值的重尾噪声，即使对于高斯噪声，该估计值也是最佳的。

469

Policy Improvement via Imitation of Multiple Oracles

在本文中，我们提出了Oracle政策价值的州级最大值作为解决多个Oracle冲突建议的自然基准。

470

Training Generative Adversarial Networks by Solving Ordinary Differential Equations

从这个角度出发，我们假设训练GAN的不稳定性是由离散连续动力学中的积分误差引起的。

471

Learning of Discrete Graphical Models with Neural Networks

我们介绍了NeurISE，这是一种用于图形模型学习的基于神经网络的算法，旨在解决GRISE的这一局限性。

472

RepPoints v2: Verification Meets Regression for Object Detection

在本文中，我们采用了这种理念来改进最新的对象检测，特别是通过RepPoints。

473

Unfolding the Alternating Optimization for Blind Super Resolution

针对这些问题，我们无需采用单独的两个步骤，而是采用交替优化算法，该算法可以估计模糊核并在单个模型中恢复SR图像。

474

Entrywise convergence of iterative methods for eigenproblems

在这里我们解决了当在？2？中测量距离时子空间迭代的收敛性。规范并提供确定性界限。

475

Learning Object-Centric Representations of Multi-Object Scenes from Multiple Views

为了解决这个问题，我们建议使用¥textit {Multi-View and Multi-Object Network（MulMON）}-一种通过利用多个视图来学习准确，以对象为中心的多对象场景表示的方法。

476

A Catalyst Framework for Minimax Optimization

我们引入了通用的¥emph {two-loop}方案，以实现具有强凸凹目标的平滑minimax优化。

477

Self-supervised Co-Training for Video Representation Learning

本文的目标是仅视觉的自我监督视频表示学习。

478

Gradient Estimation with Stochastic Softmax Tricks

在摄动模型框架内，我们介绍了随机的softmax技巧，这些技巧将Gumbel-Softmax技巧推广到组合空间。

479

Meta-Learning Requires Meta-Augmentation

我们介绍了元增强的信息理论框架，其中添加随机性会阻止基础学习者和模型学习无法推广到新任务的琐碎解决方案。

480

SLIP: Learning to predict in unknown dynamical systems with long-term memory

我们提出了一种有效且实用的（多项式时间）算法，用于在随机噪声下未知和部分观测到的线性动力系统（LDS）中进行在线预测。

481

Improving GAN Training with Probability Ratio Clipping and Sample Reweighting

为解决此问题，我们提出了一种新的变式GAN训练框架，该框架具有出色的训练稳定性。

482

Bayesian Bits: Unifying Quantization and Pruning

我们介绍贝叶斯比特，这是一种通过基于梯度的优化进行联合混合精度量化和修剪的实用方法。

483

On Testing of Samplers

本文的主要贡献是对上述挑战的肯定回答：受Barbarik的激励，但我们使用不同的技术和分析，设计了Barbarik2，该算法可测试采样器生成的分布是否为ε-距离或ε-距离。任何目标分布。

484

Gaussian Process Bandit Optimization of the Thermodynamic Variational Objective

本文介绍了一种定制的高斯过程土匪优化方法，用于自动选择这些点。

485

MiniLM: Deep Self-Attention Distillation for Task-Agnostic Compression of Pre-Trained Transformers

在这项工作中，我们提出了一种简单有效的方法来压缩大型变压器（Vaswani等，2017）的预训练模型，称为深度自注意蒸馏。

486

Optimal Epoch Stochastic Gradient Descent Ascent Methods for Min-Max Optimization

在本文中，我们通过对解决强凸强凹（SCSC）最小-最大问题的时变随机梯度下降上升方法（简称Epoch-GDA）进行了清晰的分析，从而弥合了这一差距，而无需对光滑度或功能的结构。

487

Woodbury Transformations for Deep Generative Flows

在本文中，我们介绍了伍德伯里变换，该变换通过伍德伯里矩阵恒等式实现有效的可逆性，并通过西尔维斯特的行列式恒等式实现有效的行列式计算。

488

Graph Contrastive Learning with Augmentations

在本文中，我们提出了一种图对比学习（GraphCL）学习框架，用于学习图数据的无监督表示。

489

Gradient Surgery for Multi-Task Learning

在这项工作中，我们确定了导致有害梯度干扰的多任务优化环境的三个条件，并开发了一种简单而通用的方法来避免任务梯度之间的这种干扰。

490

Bayesian Probabilistic Numerical Integration with Tree-Based Models

本文提出了一种基于贝叶斯可加回归树（BART）先验的新贝叶斯数值积分算法（我们称为BART-Int）来解决此问题。

491

Deep learning versus kernel learning: an empirical study of loss landscape geometry and the time evolution of the Neural Tangent Kernel

我们研究了非线性深层网络的训练动力学，损失景观的几何形状以及与数据相关的NTK的时间演变之间的关系。

492

Graph Meta Learning via Local Subgraphs

在这里，我们介绍G-Meta，这是一种新颖的图元学习算法。

493

Stochastic Deep Gaussian Processes over Graphs

在本文中，我们提出了图上的随机深高斯过程（DGPG），这是一种深度结构模型，用于学习图域中输入和输出信号之间的映射。

494

Bayesian Causal Structural Learning with Zero-Inflated Poisson Bayesian Networks

为了推断零膨胀计数数据中的因果关系，我们提出了一种新的零膨胀泊松贝叶斯网络（ZIPBN）模型。

495

Evaluating Attribution for Graph Neural Networks

在这项工作中，我们为GNN改编了常用的归因方法，并使用客观且具有挑战性的可计算基础对它们进行了定量评估。

496

On Second Order Behaviour in Augmented Neural ODEs

在这项工作中，我们考虑了二阶神经ODE（SONODE）。

497

Neuron Shapley: Discovering the Responsible Neurons

我们引入了一种新的多臂强盗算法，该算法能够比现有的Shapley值近似方法更快地检测到具有最大Shapley值数量级的神经元。

498

Stochastic Normalizing Flows

在这里，我们提出了一种用于采样目标密度的通用组合方法：随机归一化流（SNF）–确定性可逆函数和随机采样块的任意序列。

499

GPU-Accelerated Primal Learning for Extremely Fast Large-Scale Classification

在这项工作中，我们表明使用明智的GPU优化原则，可以大幅减少针对不同损失和特征表示的TRON训练时间。

500

Random Reshuffling is Not Always Better

我们以非交换算术和几何均值的算子不等式为反例，这是一个长期的推测，与学习算法中随机改组的性能有关（Recht和Ré，“迈向非交换算术-几何平均不等式：猜想，案例研究，和后果”，COLT 2012）。

501

Model Agnostic Multilevel Explanations

在本文中，我们提出了一种元方法，在给出典型的局部可解释性方法的情况下，该方法可以构建多级解释树。

502

NeuMiss networks: differentiable programming for supervised learning with missing values.

在这项工作中，我们在线性假设和各种缺失数据机制（包括随机缺失（MAR）和自掩蔽（不随机缺失））下得出最优预测变量的分析形式。

503

Revisiting Parameter Sharing for Automatic Neural Channel Number Search

在本文中，我们旨在为CNS提供更好的理解和参数共享。

504

Differentially-Private Federated Linear Bandits

在本文中，我们将在上下文线性强盗的背景下对此进行研究：我们考虑了一组协作解决共同的上下文强盗的特工，同时确保他们的交流保持私密性。

505

Is Plug-in Solver Sample-Efficient for Feature-based Reinforcement Learning?

我们通过插件求解器方法解决了这个问题，该方法建立了一个经验模型，并通过一个任意的插件求解器在该经验模型中进行了计划。