Brief survey of Mobility Analyses based on Mobile Phone Datasets
Grandata Labs（Grandata实验室）
这是Grandata Labs与世界各地众多学术团体合作进行的关于人类流动性主题的研究的简要调查。这些项目的一个驱动主题是使用和改进数据科学技术来理解移动性，因为它可以通过手机数据集的镜头来观察。我们描述的应用程序的流动性分析城市规划，预测数据流量的使用，建立延迟容忍网络，生成流行病学风险地图和测量人类流动的可预测性。
2018-12-03 cs.CY cs.LG cs.SI
A Brief Survey on the Approximation Theory for Sequence Modelling
National University of Singapore（新加坡国立大学）；Microsoft Research Asia（微软亚洲研究院）
本文综述了机器学习中序列建模的近似理论的最新进展。特别强调的是放在分类现有的各种模型架构的结果，通过经典的近似范式的镜头，以及人们可以从这些结果中获得的见解。我们还概述了一些未来的研究方向，建立一个理论的序列建模。
2023-02-27 cs.LG
A Brief Survey of Deep Reinforcement Learning
深度强化学习有望彻底改变人工智能领域，并代表着构建对视觉世界有更高理解的自主系统的一步。目前，深度学习使强化学习能够扩展到以前难以解决的问题，例如直接从像素学习玩视频游戏。深度强化学习算法也被应用于机器人技术，允许机器人的控制策略直接从现实世界中的摄像机输入中学习。在本调查中，我们首先介绍强化学习的一般领域，然后介绍基于价值观和基于政策的方法的主流。我们的调查将涵盖深度强化学习中的核心算法，包括深度$Q$网络，信任区域策略优化和异步优势演员-评论家。同时，我们强调了深度神经网络的独特优势，重点是通过强化学习进行视觉理解。最后，我们描述了该领域内的几个当前研究领域。
2017-09-28 cs.AI cs.CV cs.LG
Model-Free Reinforcement Learning for Financial Portfolios: A Brief Survey
金融投资组合管理是投资行业中最常遇到的问题之一。然而，凯利准则和风险平价在一定条件下都可以分解为均值方差，这意味着投资组合优化问题可能存在一个普适解，这一点尚未得到广泛的认可。实际上，在一定风险预算下，最大化投资组合的预期收益率的最优成分权重的顺序计算过程可以被重新表述为离散时间马尔可夫决策过程（MDP），因此可以被重新表述为随机最优控制，其中被控制的系统是由多个投资成分组成的投资组合，控制是其成分权重。因此，可以使用无模型强化学习（RL）来解决这个问题，而无需知道特定的组件动态。通过研究现有的方法，基于价值和基于政策的无模型RL的投资组合优化问题，我们确定了一些关键的未解决的问题和困难，今天的投资组合经理应用无模型RL到他们的投资组合。
2019-05-03 cs.AI cs.LG q-fin.PM
Knowledge Management System with NLP-Assisted Annotations: A Brief Survey and Outlook
Columbia University（哥伦比亚大学）
知识管理系统（KMS）对工业研究人员，化学或研究企业，或基于证据的决策有很高的需求。然而，现有的系统在分类和组织论文见解或关系方面具有局限性。传统的数据库通常与日志系统不相交，这限制了它在生成简明、整理的概述方面的效用。在这项工作中，我们简要地调查现有的方法，这个问题的空间，并提出了一个统一的框架，利用关系数据库记录层次信息，以促进研究和写作过程中，或产生有用的知识，从参考或见解连接的概念。我们的双向知识管理系统（BKMS）框架实现了新的功能，包括改进的分层笔记，人工智能辅助的头脑风暴和多向关系。潜在的应用包括为制造或研究企业管理库存和变更，或生成基于证据的决策分析报告。
2022-11-03 cs.AI cs.CL cs.DB
Deep Bayesian Active Learning, A Brief Survey on Recent Advances
West Virginia University（西弗吉尼亚大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
主动学习框架提供了有效的数据注释，而没有显著的准确性降低。换句话说，主动学习开始用少量的标记数据训练模型，同时探索未标记数据的空间，以便选择要标记的信息量最大的样本。一般来说，表示不确定性在任何主动学习框架中都是至关重要的，然而，深度学习方法不能表示或操纵模型的不确定性。另一方面，从现实世界的应用角度看，不确定性表示在机器学习界越来越受到关注。深度贝叶斯主动学习框架和通常任何贝叶斯主动学习设置在模型中提供实际考虑，其允许使用小数据进行训练，同时表示模型不确定性以用于进一步有效训练。在本文中，我们简要介绍了贝叶斯主动学习，特别是深度贝叶斯主动学习框架的最新进展。
2022-04-21 cs.LG
Survey of resampling techniques for improving classification performance in unbalanced datasets
许多分类问题需要处理类之间的数据不平衡。通常期望在少数类上具有高召回率，同时在多数类上保持高精确度。在本文中，我们回顾了文献中提出的一些重新排序技术来处理不平衡的数据集，并研究它们对分类性能的影响。
2016-08-22 cs.LG stat.AP stat.ML
A Brief Survey on Deep Learning Based Data Hiding
Sichuan University（四川大学）；KAIST（韩国科学技术院）；University of Science and Technology of China（中国科学技术大学）
数据隐藏是在有限的感知变化下隐藏消息的艺术。最近，深度学习从各个角度丰富了它，并取得了重大进展。在这项工作中，我们对基于深度学习的数据隐藏（深度隐藏）的现有文献进行了简短而全面的回顾，首先根据三个基本属性（即，容量、安全性和鲁棒性），并概述了三种常用的架构。在此基础上，总结了数据隐藏技术在不同应用中的具体策略，包括基本隐藏、隐写、水印和光场消息。最后，通过结合对抗攻击的视角，进一步深入了解深度隐藏。
2022-04-19 cs.CR cs.LG cs.MM
Deep Learning for Virus-Spreading Forecasting: a Brief Survey
University of Bologna（博洛尼亚大学）；Alma Mater Research Institute for Human-Centered Artificial Intelligence（Alma Mater 以人为本人工智能研究院）
冠状病毒大流行的到来引发了人们对能够预测病毒传播的预测模型的兴趣，特别是用于促进和支持决策过程。在本文中，我们将概述主要的深度学习方法，旨在预测疾病在空间和时间上的传播。其目的是展示这一研究领域的新趋势，并就处理这一问题的可能战略提供一个总体视角。在此过程中，我们将主要关注两个宏观类别：经典深度学习方法和混合模型。最后，我们将讨论不同模型的主要优点和缺点，并强调最有前途的发展方向，以改善这些方法。
2021-03-03 cs.LG
A Brief Survey on Representation Learning based Graph Dimensionality Reduction Techniques
Northern Illinois University（北伊利诺伊大学）
简化技术将表示在较高维度上的数据映射到具有不同程度信息损失的较低维度上。图形降维技术采用相同的原理，即提供图形结构的潜在表示，并对输出表示以及输入数据进行较小的调整。有几种尖端技术可以有效地从图数据生成嵌入并将其投影到低维潜在空间。由于操作理念的变化，特定图形降维技术的好处可能不会证明对每个场景或每个数据集都有利。因此，一些技术在表示较低维度的节点之间的关系方面是有效的，而另一些技术则擅长在低维空间上封装整个图结构。我们提出这项调查概述的好处，以及与现有的图形降维技术相关的问题。我们还试图将这些点与一些技术的潜在改进联系起来。这项调查可能有助于即将到来的研究人员有兴趣探索使用图表示学习，以有效地产生不同程度的粒度的低维图嵌入。
2022-10-13 cs.LG
A Brief Survey of Machine Learning Methods for Emotion Prediction using Physiological Data
Rice University（莱斯大学）
情绪预测是一个关键的新兴研究领域，专注于从多种模态中识别和预测人类的情绪状态。在其他数据源中，生理数据可以作为情绪的指标，其附加优点是它不能被个人掩盖/篡改，并且可以容易地收集。本文调查了多种机器学习方法，这些方法使用智能手机和生理数据来实时预测情绪，使用自我报告的生态瞬时评估（EMA）分数作为地面实况。通过比较回归、长短期记忆（LSTM）网络、卷积神经网络（CNN）、强化在线学习（ROL）和深度信念网络（DBN），我们展示了用于实现准确情感预测的机器学习方法的可变性。我们比较了最先进的方法，并强调实验性能仍然不是很好。在未来的工作中，可以通过考虑以下问题来提高性能：提高可扩展性和可推广性，同步多模态数据，优化EMA采样，将适应性与序列预测相结合，收集无偏数据，并利用复杂的特征工程技术。
2022-01-17 cs.LG
Symbolic Logic meets Machine Learning: A Brief Survey in Infinite Domains
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）
演绎和归纳之间的紧张关系可能是哲学，认知和人工智能（AI）等领域中最基本的问题。演绎阵营关注的是形式语言在获取世界知识方面的表现力，以及从这些知识库进行推理的证明系统。学习营试图从例子中归纳出关于世界的部分描述。在人工智能领域，从历史上看，这些阵营对该领域的发展进行了松散的划分，但在统计关系学习、神经符号系统和高级控制等交叉领域的进展表明，这种二分法不是很有建设性，甚至可能是不正确的。在这篇文章中，我们调查的工作，提供了进一步的证据，逻辑和学习之间的联系。我们的叙述是按照三个方面来构建的：逻辑与学习，逻辑的机器学习，以及机器学习的逻辑，但自然地，有相当多的重叠。我们把重点放在以下“痛”点：有一个常见的误解，即逻辑是离散属性，而概率论和机器学习，更一般地说，是连续属性。我们报告的结果，挑战这种观点的局限性的逻辑，并揭示了逻辑可以发挥的作用，学习在无限的领域。
2020-06-15 cs.AI cs.LG cs.LO
A Brief Yet In-Depth Survey of Deep Learning-Based Image Watermarking
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
本文综述了基于深度学习的图像水印技术，提出嵌入器-提取器、深度网络特征变换和混合方法三类新分类法，系统分析代表性方法并展望未来研究方向。
2023-10-29 cs.CR cs.LG cs.MM
Learning Guided Automated Reasoning: A Brief Survey
Czech Technical University in Prague（捷克技术大学布拉格）；Radboud University Nijmegen（拉德堡德大学奈杰姆）；Czech Academy of Sciences Institute for Computer Science（捷克科学院计算机科学研究所）；University of Innsbruck（因斯布鲁克大学）
本文综述了利用机器学习引导自动推理的方法，涵盖前提选择、证明引导及反馈循环，旨在缓解组合爆炸并提升定理证明效率。
2024-03-06 cs.AI cs.LG cs.LO
A Survey of Machine Learning Techniques for Improving Global Navigation Satellite Systems
Stanford University（斯坦福大学）
本文综述了机器学习技术（含监督、无监督、深度学习及混合方法）在解决传统基于模型的GNSS定位于挑战环境中适应性不足问题的应用，全面分析了其在信号分析、异常检测及精度增强等方面的优势与挑战。
2024-03-29 cs.AI cs.LG cs.RO
A brief survey on deep belief networks and introducing a new object oriented toolbox (DeeBNet)
如今，在机器学习中使用深度架构非常流行。深度置信网络（DBN）是使用受限玻尔兹曼机（RBM）堆栈来使用训练数据创建强大的生成模型的深度架构。DBN具有特征提取和分类等多种功能，广泛应用于图像处理、语音处理等领域。本文介绍了一种新的面向对象的MATLAB工具箱，它具有实现DBN所需的大部分功能。在新版本中，工具箱可以在Octave中使用。根据在MNIST（图像）、ISOLET（语音）和20个新闻组（文本）数据集上进行的实验结果，表明该工具箱可以从未标记的数据中自动学习输入的良好表示，并在不同类别之间具有更好的区分。此外，在所有数据集上，所获得的分类误差与最先进的分类器的分类误差相当。此外，该工具箱支持不同的采样方法（例如Gibbs，CD，PCD和我们的新FEPCD方法），不同的稀疏方法（二次，率失真和我们的新正常方法），不同的RBM类型（生成和判别），使用GPU等。http://ceit.aut.ac.ir/~keyvanrad/DeeBNet%20Toolbox.html
2016-01-06 cs.CV cs.LG cs.MS
