SIMONe: View-Invariant, Temporally-Abstracted Object Representations via Unsupervised Video Decomposition
DeepMind；Wayve
为了帮助智能体根据场景的构建块进行推理，我们希望提取任何给定场景的组成结构（特别是组成场景的对象的配置和特征）。当场景结构需要被推断同时也估计代理的位置/视点时，这个问题尤其困难，因为这两个变量共同引起代理的观察。我们提出了一个无监督的变分方法来解决这个问题。利用存在于不同场景中的共享结构，我们的模型学习仅从RGB视频输入推断两组潜在表示：一组“对象”潜在表示，对应于场景的时不变对象级内容，以及一组“帧”潜在表示，对应于全局时变元素，如视点。这种潜在因素的分解允许我们的模型，SIMONe，以不依赖于视点的allocentric方式表示对象属性。此外，它使我们能够解开对象动态和总结其轨迹的时间抽象，视图不变，每个对象的属性。我们展示了这些功能，以及模型的性能方面的视图合成和实例分割，在三个程序生成的视频数据集。
2021-12-06 cs.CV cs.LG
Tucker-O-Minus Decomposition for Multi-view Tensor Subspace Clustering
University of Electronic Science and Technology of China（电子科技大学）
由于张量分解具有挖掘自我表征信息潜在结构的能力，不同的张量分解方法被应用于低秩多视图聚类（LRMVC）模型中，取得了显著的效果。然而，目前的方法遭受一系列的问题，这些张量分解，如不平衡的矩阵化方案，旋转敏感性，不足的相关捕获等。这些都将导致LRMVC不能充分获取全局信息，这与多视图聚类的目标背道而驰。为了缓解这些问题，我们提出了一种新的张量分解称为塔克O-减分解（TOMD）的多视图聚类。具体来说，基于塔克格式，我们还采用了O-减结构，它由一个圆圈和一个有效的桥梁连接两个每周相关的因素。通过这种方式，Tucker格式的核心张量被替换为具有更平衡结构的O-minus架构，并且将实现捕获全局低秩信息的能力的增强。同时，所提出的TOMD也为自表征张量提供了更紧凑和更强大的表征能力。采用乘子交替方向法求解TOMD-MVC模型。在6个基准数据集上的数值实验表明，该方法在F值、查准率、查全率、归一化互信息、调整后的rand指数和查准率等方面都具有较好的性能.
2022-10-23 cs.LG
Harmonic Decompositions of Convolutional Networks
CREST, ENSAE（CREST，ENSAE）；University of Washington（华盛顿大学）
我们提出了一个与卷积网络相关的函数空间和平滑类的描述，使用再生核希尔伯特空间的机器。我们证明了与卷积网络相关的映射扩展为涉及类似于球谐函数的初等函数的和。这种函数分解可以与非参数统计中的函数ANOVA分解相关联。在卷积网络的功能特性的基础上，我们获得了统计界限，突出了近似误差和估计误差之间的一个有趣的权衡。
2020-11-16 cs.LG stat.ML
Identification of Dynamic functional brain network states Through Tensor Decomposition
Michigan State University（密歇根州立大学）
随着高分辨率神经成像技术的发展，人们对脑功能连接的检测越来越感兴趣。复杂网络理论作为一种有吸引力的脑功能网络的数学表示被提出。然而，目前大多数功能脑网络的研究都集中在静态网络的图论指标的计算，即连接网络的长时间平均值。众所周知，功能连接是一个动态的过程，网络的构建和重组是理解人类认知的关键。因此，越来越需要跟踪动态功能脑网络并识别网络准静止的时间间隔。在本文中，我们提出了一种基于张量分解的方法来识别时间不变的“网络状态”，并找到一个共同的拓扑表示为每个状态。所提出的方法被应用到脑电（EEG）数据在错误相关负波（ERN）的研究。
2014-10-02 cs.LG cs.NE q-bio.NC
Reparameterized Tensor Ring Functional Decomposition for Multi-Dimensional Data Recovery
Key Laboratory of Computing and Stochastic Mathematics (Ministry of Education)（计算与随机数学重点实验室（教育部））；School of Mathematics and Statistics（数学与统计学学院）；Department of Statistics and Data Science（统计与数据科学系）
本文提出了一种重新参数化的张量环功能分解方法，通过结合可学习的潜在张量和固定基底，提升多维数据恢复的性能。
2026-03-06 cs.AI cs.CV cs.LG
Personalized Federated Heat-Kernel Enhanced Multi-View Clustering via Advanced Tensor Decomposition Techniques
Independent Researcher（独立研究者）
本文提出基于高级张量分解技术的个性化联邦热核增强多视图聚类方法，通过改进的数学模型和算法设计提升聚类效果并保障数据隐私。
2026-01-01 cs.DC cs.LG
Common Functional Decompositions Can Mis-attribute Differences in Outcomes Between Populations
MIT IDSS（MIT工业系统科学系）；MIT Lincoln Laboratory（MIT林肯实验室）；MIT Economics（MIT经济学系）；MIT EECS（MIT电子工程与计算机科学系）
本研究指出常见的函数分解（如函数ANOVA和累积局部效应）在扩展KOB分解时，即使群体间条件结果相同也可能错误归因，并提出了避免错误归因的分解性质条件。
2025-04-23 cs.LG econ.EM stat.ME
Exact Functional ANOVA Decomposition for Categorical Inputs Models
Institut de Mathématiques de Toulouse（图卢兹数学研究所）；Université de Toulouse（图卢兹大学）；CNRS（国家科学研究中心）
针对类别输入模型，提出一种无需假设的闭式函数ANOVA分解方法，高效处理任意依赖结构，并自然推广SHAP值。
2026-06-09 cs.LG stat.ML
Subjective Risk Decomposition: A New View for Uncertainty Quantification
The University of Manchester（曼彻斯特大学）；University of Warwick（沃里克大学）
该研究提出不确定性量化新观点，基于严格恰当损失通过主观风险分解推导认知和偶然不确定性度量，恢复众多UQ度量并提供理论基础，还扩展到学习理论，为不确定性量化完整学习理论框架迈出第一步。
2026-09-17 cs.AI cs.LG stat.ML
Fourier Analysis on the Boolean Hypercube via Hoeffding Functional Decomposition
EDF R&D（法国电力集团研发中心）；IMT, Toulouse（图卢兹数学研究所）；ANITI, Toulouse（图卢兹人工智能跨学科研究所）；INRIA（法国国家信息与自动化研究所）
本文提出了一种基于Hoeffding函数分解的傅里叶分析方法，适用于任意概率测度的布尔超立方体，解决了维度灾难问题，并在可解释AI中展示了其应用价值。
2026-03-02 cs.LG stat.ML
Quantifying Model Complexity via Functional Decomposition for Better Post-Hoc Interpretability
LMU Munich（慕尼黑大学）
可以采用诸如部分依赖图的事后模型不可知解释方法来解释复杂的机器学习模型。尽管这些解释方法可以应用于模型的复杂性，但如果模型太复杂，特别是w.r.t.，它们可能会产生误导和冗长的结果。功能交互。为了量化任意机器学习模型的复杂性，我们提出了基于功能分解的模型不可知复杂性度量：使用的特征数量，交互强度和主效应复杂性。我们表明，事后解释的模型，最大限度地减少了三个措施是更可靠和紧凑。此外，我们展示了这些措施的应用程序中的多目标优化方法，同时最大限度地减少损失和复杂性。
2019-09-23 cs.LG stat.ML
Neural Decomposition: Functional ANOVA with Variational Autoencoders
University of Oxford（牛津大学）；Alan Turing Institute（艾伦·图灵研究所）；University of Birmingham（伯明翰大学）；University of Manchester（曼彻斯特大学）
变分自编码器（VAE）已经成为一种流行的降维方法。然而，尽管它们能够识别嵌入在高维数据中的潜在低维结构，但这些潜在表示通常很难自己解释。由于VAE的黑盒性质，它们在医疗保健和基因组学应用中的效用受到限制。在本文中，我们专注于描述条件性VAE的变异来源。我们的目标是提供一个特征级的方差分解，即通过从潜在变量z和固定输入c的非线性相互作用中分离出潜在变量z和固定输入c的边际加性效应来分解数据中的变化。我们建议通过我们所谓的神经分解来实现这一点-从经典统计到深度学习模型的函数方差分析方差分解的众所周知的概念的适应。我们展示了如何识别可以通过训练模型的解码器网络的边缘属性的约束来实现。我们展示了我们的神经分解在一系列合成示例以及高维基因组学数据上的实用性。
2020-08-26 cs.LG stat.ML
Functional Bayesian Tucker Decomposition for Continuous-indexed Tensor Data
University of Utah（犹他大学）
针对连续索引张量数据，提出函数贝叶斯 Tucker 分解（FunBaT），用高斯过程建模潜在函数并转化为状态空间先验，结合高效消息传递推理，在合成和真实数据上验证了有效性。
2024-03-19 cs.LG stat.ML
Tree Ensemble Explainability through the Hoeffding Functional Decomposition and TreeHFD Algorithm
Thales cortAIx-Labs - SINCLAIR AI Lab（泰雷兹 cortAIx 实验室 - SINCLAIR 人工智能实验室）
针对树集成模型的黑箱特性及相关变量下霍夫丁分解估计难的问题，提出TreeHFD算法估计树集成的霍夫丁分解，证明其收敛性与关键特性，实验验证其高性能并揭示TreeSHAP与霍夫丁分解的强关联。
2025-10-28 cs.LG stat.ML
Explaining Heterogeneous Treatment Effects with Causal Forests and the Hoeffding Functional Decomposition
Theremia（瑟雷米亚）；Thales（泰雷兹）；cortAIx-Labs（cortAIx实验室）
该研究针对因果推断中异质性处理效应估计的黑箱问题，提出可解释的CausalTreeHFD方法，基于霍夫丁函数分解将CATE预测分解为协变量及交互作用贡献，经实验验证其能准确识别相关因素并恢复贡献。
2026-10-14 cs.LG stat.ML
Functional Decomposition and Shapley Interactions for Interpreting Survival Models
Leibniz Institute for Prevention Research（预防研究与流行病学研究所）；Faculty of Mathematics（数学系）；Computer Science, University of Bremen（计算机科学，不莱梅大学）；University of Warsaw（华沙大学）；Centre for Credible AI, Warsaw University of Technology（可信人工智能中心，华沙技术大学）；Bielefeld University（比勒菲尔德大学）
本文提出SurvFD和SurvSHAP-IQ，用于解释生存模型中的特征交互和时间依赖性，通过分解高阶效应提供新的可解释方法。
2026-02-18 cs.LG stat.ML
A Multi-View Coupled Tensor Decomposition for Lightweight Online Adaptive Traffic Prediction
School of Mathematics and Statistics, Central China Normal University（华中师范大学数学与统计学学院）；School of Mathematics and Statistics, Beijing Institute of Technology（北京理工大学数学与统计学学院）；State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院数学科学国家重点实验室）；School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）
针对不完善多视图观测的在线交通预测问题，提出MVCTD模型，通过耦合张量分解与组稀疏正则化提升预测精度，轻量级设计适配流部署，真实数据集实验验证其有效性。
2026-08-27 cs.LG math.OC
Neural Network Approximation: A View from Polytope Decomposition
The Chinese University of Hong Kong（香港中文大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出从多面体分解角度研究ReLU网络的通用近似能力，通过显式核多项式方法和多面体域分解提升近似效率与灵活性。
2026-01-26 cs.AI cs.LG
Structural and Functional Decomposition for Personality Image Captioning in a Communication Game
VinAI Research（VinAI研究院）；University of Information Technology, VNU-HCM（越南国家大学胡志明市分校信息科技大学）；Stony Brook University（石溪大学）；University of Oregon（俄勒冈大学）
个性化图像描述（PIC）的目的是描述一个具有个性特征的自然语言标题的图像。在这项工作中，我们介绍了一种新的配方PIC的基础上，一个扬声器和一个听众之间的通信游戏。说话者尝试生成自然语言字幕，而收听者鼓励所生成的字幕包含关于输入图像和人格特质的区别性信息。通过这种方式，我们希望生成的字幕可以得到改进，以自然地表示图像并表达特征。此外，我们建议采用语言模型GPT 2来执行PIC的字幕生成。这使得说话者和听者能够从GPT2的语言编码能力中受益。实验结果表明，该模型实现了PIC的最先进的性能。
2020-11-17 cs.CL cs.CV cs.LG
DeepGraphDMD: Interpretable Spatio-Temporal Decomposition of Non-linear Functional Brain Network Dynamics
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出DeepGraphDMD，一种基于自编码器学习Koopman特征函数的非线性图动力学分解方法，可从fMRI中可解释提取脑网络模式，并在模拟与HCP数据中发现关联流体和晶体智力的模式。
2023-12-07 cs.AI cs.LG
A Hilbert-Valued Functional Decomposition Framework for Explaining Time-Dependent Outputs
Leibniz Institute for Prevention Research and Epidemiology – BIPS（莱布尼茨预防研究与流行病学研究所——BIPS）；University of Bremen（不来梅大学）
针对时变输出解释中忽略输出分量依赖的问题，提出将函数分解推广至Hilbert值预测函数的统一解释框架，引入基于核的输出表示以支持多时间粒度解释，并在金融波动率与能源需求预测中验证。
2026-09-15 cs.LG stat.ML
Smooth Reparameterizations of Functions on Simplicial Product Spaces: Applications to Probabilistic Tensor Decomposition and Functional Data Registration
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Virginia（弗吉尼亚大学）；UCLouvain（鲁汶大学（法语））
针对单纯形乘积空间上的优化问题，提出用光滑重参数化替换单纯形乘积，得到性能优于投影梯度下降的黎曼梯度下降算法，可用于概率张量分解与函数数据配准。
2026-08-04 cs.LG
D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis for Multi-view High-dimensional Data
New York University（纽约大学）；Tulane University（杜兰大学）；The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
现代生物医学研究经常收集多视图数据，即在同一组对象上测量的多种类型的数据。高维多视图数据分析中的一个流行模型是将每个视图的数据矩阵分解为由所有数据视图共同的潜在因素生成的低秩共源矩阵、与每个视图对应的低秩独特源矩阵和加性噪声矩阵。我们提出了一种新的分解方法，称为基于分解的广义典型相关分析（D-GCCA）。与现有的大多数方法使用的欧氏点积空间相比，D-GCCA严格定义了随机变量在L2空间上的分解，从而能够为低秩矩阵恢复提供估计一致性。此外，为了很好地校准共同的潜在因素，我们施加了一个理想的正交约束独特的潜在因素。然而，现有的方法没有充分考虑这种正交性，因此可能遭受未检测到的共源变化的实质性损失。我们的D-GCCA比广义典型相关分析更进一步，通过分离典型变量之间的共同和独特的成分，同时从主成分分析的角度享受一个有吸引力的解释。此外，我们建议使用由共同或独特的潜在因素解释的信号方差的变量水平比例来选择最受影响的变量。我们的D-GCCA方法的相合估计量建立了良好的有限样本数值性能，并具有封闭形式的表达式，特别是对大规模数据的有效计算。D-GCCA优于最先进方法的优越性也在模拟和真实世界的数据示例中得到证实。
2022-09-16 cs.LG stat.ML
Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering
Xi’an Jiaotong University（西安交通大学）
多视图聚类作为一个热点研究课题，在过去的几年中，提出了许多方法。然而，大多数现有的算法仅仅考虑不同视图之间的一致性信息进行聚类。在实际应用中，由于不同的视图通常包含不同的统计特性，这可能会影响多视图聚类的性能。为了解决这个问题，本文提出了一种新的基于张量的内在子空间表示学习（TISRL）的多视图聚类。具体地说，首先提出了保秩分解，有效地处理不同视图中包含的不同统计信息。然后，为了实现内在子空间表示，张量奇异值分解的基础上低秩张量约束也被利用在我们的方法。可以看出，保秩分解充分挖掘了不同视图中包含的特定信息，低秩张量约束挖掘了多视图数据的高阶相关性。目标函数可以通过基于增广拉格朗日乘子的交替方向最小化算法来优化。在9个常用的真实世界多视图数据集上的实验结果表明了TISRL的优越性。
2022-11-08 cs.LG
Joint Projection Learning and Tensor Decomposition Based Incomplete Multi-view Clustering
Nanjing University（南京大学）；Nanjing Institute of Agricultural Mechanization, Ministry of Agriculture and Rural Affairs（农业农村部南京农业机械化研究所）；Nanjing University of Science and Technology（南京理工大学）
针对不完整多视图聚类中高维数据噪声及图转换噪声问题，提出结合正交投影降维、三阶张量多视图关联挖掘与张量分解图滤波的JPLTD方法，性能优于现有最优方法。
2023-10-06 cs.LG
Low-Rank and Structured Sparse Tensor Decomposition for Anomaly Detection in Multivariate Functional Data
Georgia Institute of Technology（佐治亚理工学院）
针对多元函数数据异常检测，提出ES-CP和FG-Lasso两种无监督稀疏张量分解方法，通过低秩CP分解和结构化稀疏惩罚，在模拟与锻造案例中显著提升检测与定位性能。
2026-10-07 cs.LG stat.AP stat.CO
Functional Complexity-adaptive Temporal Tensor Decomposition
College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）；Zhejiang Provincial Key Laboratory of Multi-Modal Communication Networks and Intelligent Information Processing（浙江省多模态通信网络与智能信息处理重点实验室）；Microsoft Research Asia（微软亚洲研究院）
针对多模式连续索引与复杂度自适应难题，提出CATTE，结合Fourier特征、neural ODE和稀疏先验及免采样变分推断，提升预测与抗噪性能。
2025-09-29 cs.LG stat.ML
F-INR: Functional Tensor Decomposition for Implicit Neural Representations
Computer Vision Group（计算机视觉组）；Friedrich Schiller University（弗里德里希-席勒大学）
F-INR通过函数张量分解提升隐式神经表示的效率与精度，实现高维信号建模的高效处理
2025-11-26 cs.LG
FTD-GNO: Memory-Efficient Graph Neural Operators through Functional Tensor Decomposition of the Kernel
Beijing University of Technology（北京工业大学）；The University of Sydney（悉尼大学）
针对标准图神经算子在核参数化上的高内存开销问题，提出基于函数张量分解的FTD-GNO，通过CP、Tensor-Train和Tucker分解解耦核，降低内存与训练成本，并保持算子学习性能。
2026-10-06 cs.AI cs.LG
A hemodynamic decomposition model for detecting cognitive load using functional near-infrared spectroscopy
Oslo Metropolitan University（奥斯陆城市大学）；University of São Paulo（圣保罗大学）；Simula Metropolitan Center（西穆拉城市中心）
在本文中，我们介绍了一个参数化的数据驱动模型的功能近红外光谱，分解成一系列独立的，重新缩放，时移，血液动力学的基础功能的信号。每个分解的波形保留关于预期血液动力学行为的相关生物信息。该模型还提出了一个有效的迭代估计方法，以提高计算速度。我们的血液动力学分解模型（HDM）扩展了典型模型的情况下，当a）外部刺激是未知的，或b）当实验刺激和血液动力学反应之间的直接关系的假设不能成立。我们还认为，所提出的方法可以作为机器学习目的的特征变换方法。通过将我们设计的HDM应用于fNIRS信号的认知负荷分类任务，我们已经实现了86.20% ± 2.56%的准确性，使用额叶皮层中的六个通道，并且仅使用也位于额叶区域的AFpz通道，达到了86.34% ± 2.81%。相比之下，在相同的实验设置下，最先进的时间谱变换仅产生64.61%+-3.03%和37.8%+-2.96%。
2020-01-22 cs.LG eess.SP
Achieving interpretable machine learning by functional decomposition of black-box models into explainable predictor effects
University of Bonn（波恩大学）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对黑盒机器学习模型的可解释性问题，提出一种基于堆叠正交性的函数分解方法，通过神经加性建模和事后正交化构建代理模型，提取特征主效应与交互作用，避免外推和隐藏交互影响。
2024-07-26 cs.LG stat.ML
Functional Tensor Decompositions for Physics-Informed Neural Networks
Friedrich Schiller University Jena（弗里德里希·席勒大学耶拿分校）；German Aerospace Center（德国航空航天中心）
本文提出一种基于张量分解（CP、TT、Tucker）的变量分离 PINNs 架构，通过神经网络外积逼近多变量函数，有效缓解了高维 PDEs 逼近中的维度灾难问题。
2024-08-23 cs.LG
Functional dynamic mode decomposition: Learning infinite-dimensional systems from data
Heriot–Watt University（赫瑞-瓦特大学）；Maxwell Institute for Mathematical Sciences（麦克斯韦数学科学研究所）；University of Edinburgh（爱丁堡大学）
本文提出函数动态模式分解（Functional DMD），将传统DMD扩展到无限维系统，从函数数据学习有限秩算子，并证明传统DMD是其特例，应用于Koopman、Perron-Frobenius和Koopman-von Neumann算子。
2026-09-25 cs.LG math.DS stat.ML
Sparse Functional Singular Value Decomposition for Biclustering and Triclustering Longitudinal Data
Division of Biostatistics and Health Data Science University of Minnesota（生物统计学与健康数据科学系明尼苏达大学）
提出Tri-SfSVD框架，通过稀疏惩罚同时进行连续轨迹估计与对象、特征和时间选择，实现纵向数据中的双聚类和三聚类，优于现有方法。
2026-06-03 cs.LG stat.ME stat.ML
Unifying local and global model explanations by functional decomposition of low dimensional structures
University of Copenhagen（哥本哈根大学）；Heidelberg University（海德堡大学）；Leibniz Institute for Prevention Research and Epidemiology – BIPS（莱布尼茨预防研究与流行病学研究所（BIPS））；University of Bremen（不来梅大学）
我们考虑一个全局表示的回归或分类功能分解成任意顺序的主要和相互作用的组件的总和。我们提出了一个新的识别约束，允许提取干预SHAP值和部分依赖图，从而统一本地和全球的解释。通过我们提出的识别，特征的部分依赖图对应于主效应项加上截距。特征$k$的介入SHAP值是主分量和包括$k$的所有交互分量的加权和，权重由分量维数的倒数给出。这为当地的解释带来了新的视角，例如以前仅由博弈论驱动的SHAP值。我们表明，分解可以用来减少直接和间接的偏见，通过删除所有组件，包括一个受保护的功能。最后，我们提出了一种新的特征重要性度量方法。原则上，我们提出的功能分解可以应用于任何机器学习模型，但精确计算只适用于低维结构或这些结构的集合。我们提供了一个算法和有效的实现梯度提升树（xgboost）和随机种植的森林。进行的实验表明，我们的方法提供了有意义的解释，并揭示了更高阶的相互作用。所提出的方法在R包中实现，可在\url{https://github.com/PlantedML/glex}获得。
2023-02-23 cs.LG math.ST stat.ML
STRIDE: Subset-Free Functional Decomposition for XAI in Tabular Settings
Independent Researcher（独立研究者）
提出STRIDE框架，通过在RKHS中进行无需子集枚举的正交函数分解，高效解析计算表格数据的特征交互，在加速计算的同时实现高精度重建并提供交互贡献诊断。
2025-09-15 cs.AI cs.LG stat.ML
Variational Gaussian Processes: A Functional Analysis View
University of Oxford（牛津大学）；Imperial College London（帝国理工学院）
变分高斯过程（GP）近似已经成为快速GP推断的标准工具。这种技术要求用户选择变分特征以提高效率。到目前为止，文献中的共同选择是不同的，缺乏普遍性。我们建议将GP看作是位于Banach空间中，从而便于统一的视角。这用于理解现有特征之间的关系，并在核岭回归和变分GP近似之间建立联系。
2021-10-25 cs.LG math.ST stat.ML
Extraction of hierarchical functional connectivity components in human brain using resting-state fMRI
University of Pennsylvania（宾夕法尼亚大学）
人类大脑网络中的层次结构的研究已经引起了研究人员的极大兴趣，因为许多研究已经指出了人类大脑的功能层次组织。本文提出了一种利用静息态fMRI提取人脑层次连接成分的新方法。该方法建立在稀疏连接模式（SCP）之前的工作，通过引入稀疏重叠模式的层次结构。通过fMRI生成的相关矩阵的深度因式分解来估计分量。本文的目标是使用相关矩阵提取可解释的层次模式，其中低秩分解由高秩分解的线性组合形成。我们制定的分解作为一个非凸优化问题，并解决它使用梯度下降算法与自适应步长。我们还提供了一种方法，使用奇异值分解的梯度下降的热启动。我们证明了所开发的方法在两个不同的现实世界的数据集上的有效性，通过显示多尺度分层SCP子样本之间是可重复的，并且与单尺度模式相比更具可重复性。我们还比较了我们的方法与现有的分层社区检测方法。我们的方法还提供了新的洞察人类大脑的功能组织。
2020-12-07 cs.LG eess.IV q-bio.NC
A Unified View of Group Fairness Tradeoffs Using Partial Information Decomposition
University of Maryland College Park（马里兰大学帕克分校）
本文利用偏信息分解（PID）揭示统计 parity、均等机会与预测 parity 三种群体公平性度量的精确关系、重叠与权衡区域，并以数值模拟验证。
2024-10-23 cs.CY cs.IT cs.LG
