Pairwise coupling of convolutional neural networks for better explicability of classification systems
Mathematical Institute of Slovak Academy of Sciences（斯洛伐克科学院数学研究所）；University of Žilina（日利纳大学）
我们研究了从神经网络建立的分类系统的可解释性的几个方面。第一个方面是成对可解释性，这是当可能性范围缩小到只有两个时提供最准确预测的能力。接下来，我们考虑开发中的可解释性，这意味着能够根据观察到的系统缺陷逐步提高预测精度。基于神经网络的分类器的内在随机性可以用似然随机性可解释性来解释。最后，确定性可解释性表示分类系统做出任何预测的信心。这些概念的成对耦合，这是一个不可训练的元模型，起源于支持向量机的发展过程中的框架中进行检查。几种方法进行评估，其中的关键之一是成对耦合方法的选择。我们比较了两种方法：建立吴林翁方法与最近提出的贝叶斯协变方法。我们的实验表明，Wu-Lin-Weng方法给予单个成对分类器更多的权重，而后者试图平衡来自整个成对似然矩阵的信息。这转化为贝叶斯协变方法的更高准确性和更好的确定性预测。成对耦合方法有其成本，特别是在参数数量方面（但不一定在培训成本方面）。然而，当在应用程序中需要额外的显式方面超出准确性，成对耦合模型是一个有前途的替代既定的方法。
2019-11-09 cs.LG stat.ML
Learning Gaussian Graphical Models With Fractional Marginal Pseudo-likelihood
University of Helsinki（赫尔辛基大学）；Åbo Akademi University（奥博学术大学）
我们提出了一个贝叶斯近似推理方法来学习高斯图模型的依赖结构。使用伪似然，我们推导出一个分析表达式来近似的边缘可能性为任意的图形结构，而不调用任何假设的可分解性。大多数用于学习高斯图形模型的现有方法要么限于可分解的图，要么需要指定可能对学习结构产生重大影响的调谐参数。通过结合一个简单的稀疏诱导先验的图形结构与一个默认的参考先验的模型参数，我们得到了一个快速，易于应用的评分功能，即使是高维数据也能很好地工作。我们证明了我们的方法的良好性能，通过大规模的比较，对学习不可分解的高斯图形模型的领先方法。我们的方法提供了一个理论上的理由表明，它会产生一个相合估计量的图结构。
2016-02-25 cs.LG stat.ML
Distributed Parameter Estimation via Pseudo-likelihood
University of California, Irvine（加利福尼亚大学欧文分校）
在传感器网络中估计统计模型需要分布式算法，其中数据和计算都分布在网络的节点上。我们提出了一种分布式学习的一般方法，结合本地估计定义的伪似然分量，包括一些组合方法，并提供理论和实验分析。我们表明，简单的线性组合或最大投票的方法，结合二阶信息时，统计竞争力更先进和昂贵的联合优化。我们的算法有许多有吸引力的属性，包括低通信和计算成本和“任何时间”的行为。
2012-06-27 cs.DC cs.LG stat.ML
A General Pairwise Comparison Model for Extremely Sparse Networks
The Chinese University of Hong Kong（香港中文大学）；University of Utah（犹他大学）；Hong Kong University of Science and Technology（香港科技大学）
利用两两比较数据进行统计推断是分析大规模稀疏网络的一种有效方法。在本文中，我们提出了一个通用的框架来模拟网络中的相互作用，它在模型参数化方面具有足够的灵活性。在这种设置下，我们证明了潜在的得分向量的受试者的极大似然估计是一致的，在网络稀疏性的近极小条件下。这个条件在描述稀疏性的首阶渐近性方面是尖锐的。我们的分析利用了一种新的链接技术，并说明了一个重要的连接图拓扑结构和模型的一致性。我们的结果保证了极大似然估计是合理的估计在大规模的两两比较网络中的数据是渐近不足。模拟研究提供支持我们的理论研究结果。
2022-03-10 cs.LG math.ST stat.ML
Fast Network Community Detection with Profile-Pseudo Likelihood Methods
随机块模型是研究最多的社区发现网络模型之一。众所周知，大多数用于拟合随机块模型似然函数的算法不能扩展到大规模网络。一个突出的工作，克服了这一计算挑战是阿米尼等人。（2013），其提出了用于将随机块模型拟合到大型稀疏网络的快速伪似然方法。然而，这种方法不具有收敛保证，并且不太适合于中小规模的网络。在这篇文章中，我们提出了一种新的基于似然的方法，在似然函数，这使得一个快速的交替最大化的行和列的标签，新方法是计算效率高，表现良好的小型和大型网络，并具有可证明的收敛保证。我们表明，我们的方法提供了强相合估计的社区在一个随机块模型。仿真结果表明，该方法在估计精度和计算效率方面都优于伪似然方法，特别是对于大型稀疏网络。我们进一步考虑扩展我们提出的方法来处理网络的度异质性和二分属性。
2021-08-29 math.ST stat.ME stat.ML
Optimization Methods for Sparse Pseudo-Likelihood Graphical Model Selection
Lawrence Berkeley National Lab（劳伦斯伯克利国家实验室）；Stanford University（斯坦福大学）；University of Florida（佛罗里达大学）
稀疏高维图模型选择是当代机器学习的一个热门课题。为此，已经提出了各种有用的方法的上下文中的$\ell_1$惩罚估计的高斯框架。虽然这些逆协方差估计方法中的许多是可扩展的，并且利用了凸优化的最新进展，但它们仍然依赖于高斯函数形式。为了解决这一问题，最近提出了一种基于凸伪似然的部分相关图估计方法（CONCORD）。该方法使用基于伪似然的回归的坐标最小化，并且与高斯方法相比已被证明具有鲁棒的模型选择特性。然而，与高斯设置中的并行工作形成直接对比的是，这种新的凸伪似然框架没有利用机器学习文献中提出的用于凸优化的广泛的方法阵列。在本文中，我们提出了两个最接近的梯度方法（CONCORD-ISTA和CONCORD-FISTA）执行$\ell_1$正则化逆协方差阵估计的伪似然框架，以解决这个关键的差距。我们提出的时间比较与坐标明智的最小化，并证明我们的方法产生巨大的回报$\ell_1$惩罚部分相关图估计高斯设置之外，从而产生最快，最具可扩展性的方法，这样的问题。我们对我们的方法进行理论分析，并严格证明收敛性，并得出其速度。
2014-09-12 cs.LG stat.CO stat.ML
Statistical Properties of the Single Linkage Hierarchical Clustering Estimator
基于距离的层次聚类（HC）方法在无监督数据分析中得到了广泛的应用，但很少有人考虑到距离数据的不确定性。我们将通过腐败或噪声的成对距离的不确定性的统计模型和调查的问题，估计HC作为未知参数的测量。具体来说，我们专注于单连锁层次聚类（SLHC），并研究其几何形状。我们证明了在相当合理的条件下的概率分布管理的测量，SLHC是等价于最大部分配置文件似然估计（MPPLE）的数据中包含的一些信息被忽略。同时，我们表明，直接评估的SLHC对极大似然估计（MLE）的成对距离产生一个相合估计量。因此，预期完整的MLE在获得地面真实度量的正确HC结果方面比SLHC表现更好。
2016-09-01 stat.ML
A convex pseudo-likelihood framework for high dimensional partial correlation estimation with convergence guarantees
稀疏高维图形模型选择是现代统计学中一个非常有趣的话题。一种流行的方法是将l1-罚分应用于（1）参数似然，或者（2）正则化回归/伪似然，后者具有明显的优势，即它们不显式地假设高斯性。由于没有一个流行的方法提出解决伪似然为基础的目标函数具有可证明的收敛保证，这是不清楚，如果相应的估计存在或甚至是可计算的，或者如果他们实际上产生正确的偏相关图。本文提出了一种新的基于伪似然的图形化模型选择方法，旨在克服现有方法的一些缺点，但在同一时间保留各自的优点。特别是，我们引入了一个新的框架，导致凸制定的偏协方差回归图的问题，导致在一个目标函数组成的二次型。然后通过坐标方式优化目标。目标函数的特定函数形式便于进行严格的收敛性分析，从而保证收敛性;当维数大于样本量时，这是一个无法使用标准结果建立的重要属性，这在高维应用中经常发生。这些收敛保证确保估计量在非常一般的条件下是定义良好的，并且总是可计算的。此外，该方法产生的估计，具有良好的大样本特性，也尊重对称性。此外，模拟/真实数据，时序比较和数值收敛的应用程序被证明。我们还提出了一个新颖的统一框架，该框架将所有图形伪似然方法作为更一般公式的特殊情况，从而获得重要的见解。
2014-08-14 stat.CO stat.ME stat.ML
Pseudo-likelihood methods for community detection in large sparse networks
University of Michigan（密歇根大学）；Google, Inc.（谷歌公司）；University of California, Berkeley（加州大学伯克利分校）
目前已经提出了许多算法来拟合具有社区的网络模型，但大多数算法不能很好地扩展到大型网络，并且经常在稀疏网络上失败。在这里，我们提出了一种新的快速伪似然方法，用于拟合网络的随机块模型，以及一个变体，允许通过调节度来实现任意度分布。我们表明，该算法在一系列设置下表现良好，包括在非常稀疏的网络上，并举例说明政治博客网络的例子。我们还提出了谱聚类与扰动，一种方法的独立利益，它工作得很好，稀疏网络，定期谱聚类失败，并使用它来提供一个初始值的伪似然。我们证明了伪似然提供了一致的社区的估计，在一个温和的条件下的起始值，对于块模型的情况下，两个社区。
2013-11-05 cs.LG cs.SI math.ST
Improving pairwise comparison models using Empirical Bayes shrinkage
Stanford University（斯坦福大学）；Facebook Artificial Intelligence Research（Facebook人工智能研究院）
比较数据出现在许多重要的背景下，例如购物，网络点击或体育比赛。通常，我们会得到一个比较数据集，并希望训练一个模型来预测看不见的比较结果。在许多情况下，可用数据集的比较相对较少（例如，每年只有这么多NFL比赛），或者效率很重要（例如，我们希望快速估计产品的相对吸引力）。在这种情况下，众所周知，收缩估计优于极大似然估计。一个复杂的问题是，标准的比较模型，如条件多项logit模型，只是条件结果（谁赢了）的模型，而不是比较本身（谁竞争了）。因此，比较过程的不同模型导致不同的收缩估计量。在这项工作中，我们推导出一个集合的方法来估计成对的不确定性的成对预测的基础上不同的假设比较过程。这些不确定性估计允许我们检查模型的不确定性以及执行模型参数的经验贝叶斯收缩估计。我们证明了我们的收缩估计优于标准的极大似然方法，从在线比较调查以及从几个体育背景下的真实比较数据。
2018-07-24 cs.LG cs.SI stat.ML
On Learning Continuous Pairwise Markov Random Fields
Massachusetts Institute of Technology（麻省理工学院）
我们考虑从i.i.d样本中学习具有连续值变量的稀疏成对马尔可夫随机场（MRF）。我们调整了Vuffray等人的算法。（2019）在这种情况下，并提供有限样本分析，揭示样本复杂性随变量数量的变化规律，如离散和高斯设置。我们的方法是适用于一个大类的成对MRF连续变量，也有理想的渐近性质，包括在温和的条件下的一致性和正态性。此外，我们确定Vuffray等人（2019）中采用的优化标准的群体版本可以解释为局部最大似然估计（MLE）。作为我们分析的一部分，我们引入了稀疏线性回归a` la Lasso的稳健变化，这可能本身就很有趣。
2020-10-28 cs.LG stat.ML
Structure Learning of Contextual Markov Networks using Marginal Pseudo-likelihood
马尔可夫网络是离散多变量系统的流行模型，其中变量的依赖结构由无向图指定。为了允许更有表现力的依赖结构，已经提出了马尔可夫网络的几种推广。在这里，我们考虑一类上下文马尔可夫网络，它考虑到可能的上下文特定的变量对之间的独立性。上下文马尔可夫网络的结构学习是非常具有挑战性的，由于非常大数量的可能结构。其中一个主要的挑战是设计一个分数，通过这个分数，可以根据与复杂性相关的模型拟合来评估结构，而不需要假设弦性。在这里，我们引入了边际伪似然作为一般上下文马尔可夫网络的分析易处理的标准。我们的标准是产生一个一致的结构估计。实验表明，我们的方法在推断模型的预测精度方面具有良好的性能。
2021-03-29 math.ST stat.ME stat.ML
Pseudo-Likelihood Inference
German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science（认知科学中心）；Technical University of Darmstadt（达姆施塔特工业大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
本文提出伪似然推断（PLI），将神经逼近与积分概率度量引入 ABC，通过自适应带宽的平滑似然核和信任区域更新，实现无需汇总统计量的梯度下降后验优化，并在多观测数据、随机仿真及多模态后验场景下优于 SNPE。
2023-11-28 cs.LG stat.ML
Bayesian Distance Clustering
University of Florida（佛罗里达大学）；Duke University（杜克大学）
基于模型的聚类被广泛应用于各种应用领域。然而，对稳健性的基本担忧仍然存在。特别是，结果可以是敏感的内核代表内集群数据密度的选择。利用数据点之间的成对差异的属性，我们提出了一类贝叶斯距离聚类方法，它依赖于建模的成对距离的可能性，而不是原始数据。虽然数据中的一些信息被丢弃，但我们对建模假设具有很大的鲁棒性。所提出的方法代表了一个有吸引力的中间地带之间的距离和基于模型的聚类，从这些典型的方法中的每一个借鉴的优势。我们说明了戏剧性的收益，推断集群的能力，通常的内核选择没有很好地表示。包括一个模拟研究，以评估相对于竞争对手的性能，我们应用的方法来聚类的大脑基因组表达数据。保留字：基于距离的聚类;混合模型;基于模型的聚类;模型规格错误;成对距离矩阵;部分可能性;鲁棒性
2019-06-25 cs.LG stat.ML
Pseudo-Marginal Hamiltonian Monte Carlo
贝叶斯推理在一个棘手的似然函数的存在是具有挑战性的计算。当遵循马尔可夫链蒙特卡罗（MCMC）方法来近似后验分布时，通常使用MCMC方案，其目标是参数和一些辅助潜变量的联合后验，或伪边缘Metropolis-Hastings（MH）方案。后者模仿MH算法，通过无偏地逼近棘手的可能性，以参数的边缘后验为目标。然而，在参数和辅助变量在后验下强相关和/或该后验是多模态的情况下，吉布斯采样或哈密顿蒙特卡罗（HMC）将表现不佳，并且伪边缘MH算法（如任何其他MH方案）对于高维参数将是低效的。我们在这里提出了一个原始的MCMC算法，称为伪边缘HMC，它结合了HMC和伪边缘计划的优点。具体地，伪边缘HMC方法由精度参数N控制，控制似然的近似，并且对于任何N，它对参数的边缘后验进行采样。此外，当N趋于无穷大时，其样本轨迹和接受概率收敛到理想但棘手的HMC算法的样本轨迹和接受概率，该算法将能够获得参数的边缘后验及其梯度。我们通过实验证明，伪边缘HMC可以显着优于标准HMC和伪边缘MH计划。
2019-10-02 stat.ME stat.ML
Robust low-rank estimation with multiple binary responses using pairwise AUC loss
Norwegian Institute of Public Health（挪威公共卫生研究院）
本文提出了一种基于成对AUC损失的鲁棒低秩估计框架，用于处理多个二元响应问题，通过低秩约束和高效算法提升了模型的判别性能和鲁棒性。
2026-01-13 cs.LG stat.ME stat.ML
Temporal Poisson Square Root Graphical Models
The University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；Marshfield Clinic Research Institute（马什菲尔德诊所研究所）
我们提出了时间泊松平方根图形模型（TPSQRs），泊松平方根图形模型（PSQRs）专门设计用于建模纵向事件数据的推广。通过估计所有可能的事件类型对的时间关系，TPSQRs可以提供关于任何给定事件类型的发生是否会激发或抑制任何其他类型的整体视角。通过估计共享相同模板参数化的相关PSQR的集合来学习TPSQR。这些PSQRs联合估计在一个伪似然的方式，其中泊松伪似然是用来近似原来的计算更密集的伪似然问题源于PSQRs。从理论上讲，我们证明了在温和的假设下，泊松伪似然近似是稀疏的恢复潜在的PSQR。根据经验，我们从Marshfield Clinic电子健康记录（EHR）中学习TPSQRs，其中包含数百万个药物处方和病情诊断事件，用于药物不良反应（ADR）检测。实验结果表明，学习TPSQRs可以有效地恢复ADR信号从EHR。
2020-05-12 cs.LG stat.ML
A Pseudo-Likelihood Approach to Linear Regression with Partially Shuffled Data
George Mason University（乔治梅森大学）；U.S. Census, CSRM（美国人口普查局CSRM）
最近，由于单独的数据收集和数据整合的不确定性，在对应于同一统计单元的匹配对中没有观察到预测因子和响应的情况下，线性回归引起了极大的兴趣。不匹配的配对会显著影响模型拟合并破坏回归参数的估计。在本文中，我们提出了一种方法来调整这种不匹配下的“部分洗牌”，其中一个足够大的部分（预测，响应）对观察到他们的正确对应。所提出的方法是基于伪似然，其中每个术语采取的形式的两个组件的混合物密度。期望最大化方案提出了优化，其中（i）规模有利的样本数量，（ii）实现了优异的统计性能相对于一个预言机，可以访问正确的配对，通过模拟和案例研究验证。特别是，所提出的方法可以容忍相当大的比例的失配比现有的方法，并能够估计的噪声水平以及失配的比例。所得估计量（标准误、置信区间）的推断可以基于复合似然估计的已建立理论。在此过程中，我们还提出了一个统计检验的存在的失配，并建立其一致性在适当的条件下。
2019-10-03 cs.LG stat.ME stat.ML
MLE-induced Likelihood for Markov Random Fields
University of Wisconsin, Madison（威斯康星大学麦迪逊分校）
Due to the intractable partition function, the exact likelihood function for a Markov random field (MRF), in many situations, can only be approximated. Major approximation approaches include pseudolikelihood and Laplace approximation. In this paper, we propose a novel way of approximating the likelihood function through first approximating the marginal likelihood functions of individual parameters and then reconstructing the joint likelihood function from these marginal likelihood functions. For approximating the marginal likelihood functions, we derive a particular likelihood function from a …
2018-03-27 cs.AI cs.LG stat.ML
In all LikelihoodS: How to Reliably Select Pseudo-Labeled Data for Self-Training in Semi-Supervised Learning
Ludwig-Maximilians-Universität (LMU) Munich（慕尼黑路德维希-马克西米利安大学）
自我训练是半监督学习中一种简单而有效的方法。这个想法是通过添加伪标记数据来迭代增强训练数据。其泛化性能很大程度上取决于这些伪标记数据（PLS）的选择。在本文中，我们的目标是使PLS更强大的对所涉及的建模假设。为此，我们建议选择伪标记的数据，最大限度地提高多目标效用函数。后者是为了解释不同来源的不确定性，其中三个我们更详细地讨论：模型选择，累积误差和协变量的变化。在这种不确定性的二阶信息的情况下，我们还考虑了广义贝叶斯α-切割更新规则的信用集的通用方法。作为一个实际的概念证明，我们强调我们的三个强大的扩展模拟和真实世界的数据的应用。结果表明，特别是鲁棒性w.r.t.模型选择可以导致相当大的精度增益。
2023-03-02 cs.LG math.ST stat.ME
StepMix: A Python Package for Pseudo-Likelihood Estimation of Generalized Mixture Models with External Variables
Université de Montréal（蒙特利尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Massachusetts Institute of Technology（麻省理工学院）；Leiden University（莱顿大学）；Institut universitaire en santé mentale de Montréal（蒙特利尔大学精神卫生大学研究所）
本文介绍开源 Python 包 StepMix，它在统一 EM 框架下实现带协变量与远端结局的广义混合模型的一步、两步及偏差校正三步伪似然估计，并兼容 scikit-learn 与 R。
2024-06-17 cs.LG stat.ME stat.ML
Clustering by transitive propagation
Cold Spring Harbor Laboratory（冷泉港实验室）
我们提出了一个全局优化算法的聚类数据给定的比率的可能性，每对数据点是在同一个集群或在不同的集群。为了根据成对关系定义聚类解，一个充分必要条件是属于同一个聚类满足传递性。我们定义了一个全局目标函数的基础上成对似然比和传递性约束的所有三元组，分配一个相等的先验概率的所有聚类解决方案。我们通过在相应的因子图上实现最大和消息传递来最大化目标函数，从而达到O（N^3）算法。最后，我们展示了一个应用程序的启发突变测序解码随机二进制字通过噪声信道传输。
2015-06-09 cond-mat.stat-mech cs.LG stat.ML
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification
Technical University of Munich（慕尼黑工业大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
图的节点特征和结构信息是半监督节点分类问题的关键。已经提出了各种基于图神经网络（GNN）的方法来解决这些问题，这些方法通常通过特征聚合来确定输出标签。这可能是有问题的，因为它意味着给定隐藏表示的输出节点的条件独立性，尽管它们在图中直接连接。为了了解图中输出节点之间的直接影响，我们提出了显式成对分解图神经网络（EPFGNN），它将整个图建模为部分可观察的马尔可夫随机场。它包含显式的成对因子来建模输出-输出关系，并使用GNN主干来建模输入-输出关系。为了平衡模型的复杂性和表现力，成对因子具有共享的分量和每个边缘的单独缩放系数。我们应用EM算法来训练我们的模型，并利用一个星型分段似然的易处理的代理目标。我们在各种数据集上进行了实验，结果表明，我们的模型可以有效地提高图上半监督节点分类的性能。
2021-07-27 cs.LG stat.ML
Scalable Bayesian Structure Learning for Gaussian Graphical Models Using Marginal Pseudo-likelihood
针对高斯图模型贝叶斯学习可扩展性差的问题，提出基于边际伪似然的连续时间与离散时间MCMC算法，实现千节点图的高效后验探索，兼具理论保证与计算优势。
2025-08-27 stat.CO stat.ME stat.ML
Optimal Differentially Private Ranking from Pairwise Comparisons
针对含噪成对比较排序中的隐私问题，提出边缘与个体差分隐私排序算法，包括扰动极大似然估计器与含噪计数法，达到极小化极大最优收敛速率，并在模拟与真实数据上验证了有效性。
2025-07-12 math.ST stat.ME stat.ML
The Projected Power Method: An Efficient Algorithm for Joint Alignment from Pairwise Differences
Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）
各种应用涉及基于一些成对噪声数据将离散标签值分配给对象集合。由于问题的离散-因此非凸-结构，计算最优分配（例如~最大似然分配）乍一看变得难以处理。本文通过研究一个具体的联合对准问题-即在给定模差$\{x_i - x_j~\mathsf{mod}~m\}$的噪声观测值的情况下，恢复$n$离散变量$x_i \in \{1,\cdots, m\}$，$1\leq i\leq n$的问题，取得了有效计算的进展。我们提出了一个低复杂度和无模型的过程，它在提升的空间中操作，通过在正交方向上表示不同的标签值，并试图优化超立方体上的二次函数。从通过谱方法计算的第一个猜测开始，该算法通过投影幂迭代连续细化迭代。我们证明，对于广泛的一类统计模型，建议的投影功率方法没有错误-因此收敛到最大似然估计-在一个合适的制度。数值实验已经进行了合成和真实数据，以证明我们的算法的实用性。我们希望这个算法框架是有效的广泛的离散分配问题。
2017-12-07 cs.CV cs.IT cs.LG
Semi-supervised learning objectives as log-likelihoods in a generative model of data curation
University of Bristol（布里斯托大学）
我们目前还不了解半监督学习（SSL）的目标，如伪标签和熵最小化作为对数似然，这排除了贝叶斯SSL的发展。在这里，我们注意到，基准图像数据集（如CIFAR-10）是经过精心策划的，我们将SSL目标制定为数据策划生成模型中的对数似然，该模型最初是为了解释冷后验效应而开发的（Aitchison 2020）。SSL方法，从熵最小化和伪标签，到类似于FixMatch的最先进的技术，都可以被理解为我们的原则性对数似然的下限。因此，我们能够给出贝叶斯SSL的玩具数据的原理证明。最后，我们的理论表明，SSL是有效的，部分原因是数据策展引起的统计模式。这提供了对过去结果的解释，这些结果表明SSL在干净的数据集上表现更好，没有任何“分布外”的例子。通过对这些结果进行分析，我们发现SSL在策划数据上的性能提升要比在未策划数据上大得多，使用基于Galaxy Zoo 2的匹配策划和未策划数据集。
2021-10-08 cs.LG stat.ML
Likelihood Based Inference in Fully and Partially Observed Exponential Family Graphical Models with Intractable Normalizing Constants
Purdue University（普渡大学）
本文提出一种在对数稀疏设置下对完全和部分观测指数族图模型进行高效完全似然推断的方法，利用可处理独立模型估计难处理的归一化常数及其梯度，并通过数值结果和理论验证其有效性。
2026-09-23 stat.CO stat.ME stat.ML
