Sensor Selection via GFlowNets: A Deep Generative Modeling Framework to Navigate Combinatorial Complexity
Rutgers, the State University of New Jersey(罗格斯大学(新泽西州立大学))
本文提出一种基于生成式流网络(GFlowNets)的深度生成式建模框架,将传感器选择建模为确定性马尔可夫决策过程,通过按子集性能比例采样动作来高效搜索最优子集,在标准场景及ISAC系统稀疏天线阵列设计中均优于传统凸优化与贪心算法。
2024-07-29 cs.LG eess.SP
DAK-UCB: Diversity-Aware Prompt Routing for LLMs and Generative Models
Sharif University of Technology(谢赫拉扎德技术大学);The Chinese University of Hong Kong(香港中文大学)
本文提出DAK-UCB方法,结合保真度与多样性指标,用于在线选择生成模型,以提升生成结果的多样性同时保持保真度。
2026-03-25 cs.LG
PromptWise: Online Learning for Cost-Aware Prompt Assignment in Generative Models
Department of Computer Science and Engineering, The Chinese University of Hong Kong(香港中文大学计算机科学与工程系)
提出PromptWise在线学习框架,以成本感知方式为提示分配生成式模型,通过顺序模型分配降低总服务成本,同时保持与基线相当的性能。
2025-11-02 cs.AI cs.LG
Leveraging Linguistic Coordination in Reranking N-Best Candidates For End-to-End Response Selection Using BERT
University of Pittsburgh(匹兹堡大学)
基于检索的对话系统从许多候选者中选择最佳响应。尽管许多最先进的模型在对话响应选择任务中表现出了良好的性能,但R@1和R@10性能之间仍然存在相当大的差距。为了解决这个问题,我们建议利用语言协调(一种个体在对话中倾向于发展类似语言行为的现象)来重新排名BERT产生的N最佳候选人,这是一种最先进的预训练语言模型。我们的研究结果表明,R@1的改善相比,BERT基线,证明了利用语言理论修复机器生成的输出的效用。
2021-05-27 cs.CL
A Survey on Data-Centric AI: Tabular Learning from Reinforcement Learning and Generative AI Perspective
Arizona State University(亚利桑那州立大学);The University of Kansas(堪萨斯大学);Stevens Institute of Technology(史蒂文斯理工学院)
本文综述以数据为中心的表格学习,系统梳理利用强化学习和生成式 AI 进行特征选择与特征生成的方法、应用、优势、局限及未来方向。
2025-02-16 cs.AI cs.LG
Bias Mitigation Agent: Optimizing Source Selection for Fair and Balanced Knowledge Retrieval
Salesforce
针对智能体AI因继承内外部信息源偏见而导致检索信息不公平、不平衡的问题,本文提出多智能体系统Bias Mitigation Agent,通过专门智能体优化源选择以缓解偏见,实验显示其较基线朴素检索策略偏见减少81.82%。
2025-08-26 cs.AI cs.CL
Which LLM to pick? Online Active Model Selection for Large Language Models
TU Delft(代尔夫特理工大学);ETH Zurich(苏黎世联邦理工学院)
针对流式数据下LLM选型依赖基准不准确且人工标注昂贵的问题,提出ONLINE LLM PICKER框架,以有限标注预算主动选择信息量最大的提示,在130余模型上节省最高71.67%标注成本并降低2.51倍遗憾值。
2026-10-02 cs.CL cs.LG
The Best of Both Worlds: Bridging Quality and Diversity in Data Selection with Bipartite Graph
Monash University(墨尔本大学)
针对微调数据选择中质量与多样性难以兼顾的问题,提出基于二分图和集合覆盖的GraphFilter方法,通过乘性优先级迭代选句,在六个基准上超越九个基线,兼顾性能与效率。
2025-05-26 cs.CL
Who Are the Best Adopters? User Selection Model for Free Trial Item Promotion
Chongqing University(重庆大学);University of Science and Technology of China(中国科学技术大学);University of Queensland(昆士兰大学)
随着市场竞争的日益激烈,提供免费试用已经成为推广产品和吸引用户的有力刺激策略。通过为用户提供免费体验商品的机会,免费试用使采用者更多地了解产品,从而鼓励他们购买的意愿。然而,作为推广过程中的关键点,寻找合适的采用者却很少有人探索。根据用户的静态人口统计属性进行经验筛选是可行的,但效率较低,忽略了他们的个性化偏好。为了动态匹配产品与最佳采用者,在这项工作中,我们提出了一种新的免费试用用户选择模型SMILE,这是基于强化学习(RL),代理主动选择特定的采用者,旨在最大限度地提高免费试用后的利润。具体地说,我们设计了一个树结构来重构动作空间,这使得我们能够有效地从大量的用户空间中选择采用者。在三个数据集上的实验分析证明了该模型的优越性,并阐明了为什么强化学习和树结构可以提高性能。我们的研究证明了技术上的可行性,构建一个更强大和智能的用户选择模型和指导调查更多的营销推广策略。
2022-02-22 cs.IR cs.LG
Nearly Dimension-Independent Sparse Linear Bandit over Small Action Spaces via Best Subset Selection
University of Florida(佛罗里达大学);Northwestern University(西北大学);Pennsylvania State University(宾夕法尼亚州立大学)
研究了高维线性模型下的随机上下文强盗问题。我们专注于动作空间是有限的和随机的情况下,与每个动作与一个随机生成的上下文协变量。这种设置找到了必要的应用,如个性化推荐,在线广告和个性化医疗。然而,这是非常具有挑战性的,因为我们需要平衡探索和开发。我们提出了双增长时期和估计参数的最佳子集选择方法,这是很容易实现的实际。这种方法实现了$ \tilde{\mathcal{O}}(s\sqrt{T})$遗憾的概率很高,这是几乎独立的“环境”回归模型维度$d$。进一步利用\textsc{SupLinUCB}框架得到了更尖锐的$\tilde{\mathcal{O}}(\sqrt{sT})$后悔,并匹配了低维线性随机强盗问题的极大极小下界.最后,我们进行了大量的数值实验,以证明我们的算法的适用性和鲁棒性经验。
2020-09-04 cs.LG math.ST stat.ML
Generative Product Recommendations for Implicit Superlative Queries
Emory University(埃默里大学);Amazon.com Inc.(亚马逊公司)
针对推荐系统中缺乏明确属性的隐式最高级查询,本文研究利用大型语言模型生成并推理隐式属性以改进产品推荐,提出了四点标注模式SUPERB和新数据集,并评估了现有检索与排序方法在真实电商系统中的应用。
2025-04-26 cs.CL cs.IR
Reinforcement Learning Based Dynamic Selection of Auxiliary Objectives with Preserving of the Best Found Solution
ITMO University(ITMO大学)
通过引入辅助目标可以提高单目标优化的效率。理想情况下,辅助目标应该有所帮助。然而,在实践中,目标在某些优化阶段可能是有效的,但在其他的阻碍。在本文中,我们提出了一个修改的EA+RL方法,动态选择优化的目标,使用强化学习。所提出的修改防止丢失最佳发现的解决方案。我们分析了所提出的修改,并将其与EA+RL方法和XdivK,广义OneMax和LeadingOnes问题的随机局部搜索进行了比较。所提出的修改优于EA+RL方法的所有问题的情况下。它在大多数问题实例上的表现也优于单一目标方法。我们还提供了详细的分析所考虑的算法的不同组成部分如何影响优化效率。此外,我们提出的XdivK问题的修改建议的理论分析。
2017-04-24 cs.LG cs.NE
Exploring Fine-tuned Generative Models for Keyphrase Selection: A Case Study for Russian
University of Tyumen(塔戈茨克大学);Novosibirsk State University(新西伯利亚国立大学)
本文研究俄语文科学文本的关键词选择,微调并比较 ruT5、ruGPT、mT5、mBART,发现 mBART 在领域内显著优于三种抽取基线,跨领域亦有潜力。
2024-09-18 cs.AI cs.CL cs.LG
Downstream Task-Oriented Generative Model Selections on Synthetic Data Training for Fraud Detection Models
J.P. Morgan AI Research(摩根大通人工智能研究院);Department of Statistics and Data Science(统计与数据科学系);Dept of Statistics, UC Davis(加州大学戴维斯分校统计系)
本文研究欺诈检测模型训练中的下游任务导向生成模型选择问题,发现在严格可解释性约束下基于贝叶斯网络的生成模型优于神经网络模型,为从业者用合成数据替换真实数据提供实用指导。
2024-01-01 cs.AI cs.LG
Autonomous Data Selection with Zero-shot Generative Classifiers for Mathematical Texts
Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海启智研究院)
本文提出AutoDS方法,利用基础语言模型自身作为零样本生成式分类器自动筛选高质量数学文本,在持续预训练中显著提升数学推理性能并实现约两倍的token效率提升。
2025-07-22 cs.AI cs.CL cs.LG
Inferring from Logits: Exploring Best Practices for Decoding-Free Generative Candidate Selection
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文系统评估了多种免解码候选选择方法在多项选择QA和临床决策等任务中结合不同基础语言模型的表现,为未来模型设计提供了实验依据和见解。
2025-01-28 cs.AI cs.CL cs.LG
Generative Model Selection Using a Scalable and Size-Independent Complex Network Classifier
Sharif University of Technology(谢里夫理工大学)
真实网络表现出非平凡的拓扑特征,如重尾度分布、高聚类性和小世界性。研究人员已经开发了几种生成模型,用于合成结构上与真实网络相似的人工网络。一个重要的研究问题是确定最适合目标网络的生成模型。在本文中,我们研究这个问题,我们的目标是选择能够生成类似于给定网络实例的图的模型。通过生成具有七个优秀生成模型的合成网络,我们利用机器学习方法开发了用于模型选择的决策树。我们提出的方法,这是命名为“复杂网络的生成模型选择”(GMSCN),优于现有的方法在准确性,可扩展性和大小无关性。
2014-02-01 cs.LG cs.SI physics.soc-ph
A Unified Framework for Generative Data Augmentation: A Comprehensive Survey
本论文全面综述了生成式数据增强(GDA)领域,提出了统一框架以系统分析模型选择、数据选择等关键方面,揭示了缺乏通用基准等研究空白,并指出了未来的重要研究方向。
2024-04-21 cs.AI cs.LG
Feature Selection as Deep Sequential Generative Learning
Arizona State University(亚利桑那州立大学);University of Kansas(堪萨斯大学);NEC Laboratories America Inc(美国NEC实验室)
本研究将特征选择重构为深度序列生成学习任务,通过深度变分Transformer模型提炼特征知识、学习嵌入空间,结合效用评估器梯度指导与自回归解码生成最优特征子集,兼具有效性与通用性。
2024-03-06 cs.LG
A Test of Relative Similarity For Model Selection in Generative Models
KU Leuven(鲁汶大学);CentraleSupélec(巴黎中央理工-高等电力学院);Inria Saclay(法国国家信息与自动化研究所萨克莱分院);Université Paris-Saclay(巴黎萨克雷大学);Google Deepmind(谷歌DeepMind);University College London(伦敦大学学院)
概率生成模型为表示数据提供了一个强大的框架,避免了判别方法通常需要的手动注释的费用。然而,在这种生成设置中的模型选择可能具有挑战性,特别是当不容易获得可能性时。为了解决这个问题,我们引入了一个相对相似性的统计测试,用于确定两个模型中哪一个生成的样本更接近真实世界的参考数据集。我们使用参考数据集和每个模型数据集之间的最大平均差异(MMD)的差异作为我们的检验统计量,并基于每个参考模型对之间的MMD的联合渐近分布推导出一个强大的低方差检验。在深度生成模型的实验中,包括变分自动编码器和生成矩匹配网络,测试提供了一个有意义的模型性能排名,作为参数和训练设置的函数。
2016-02-15 cs.LG stat.ML
Penalized Generative Variable Selection
Yale School of Public Health(耶鲁公共卫生学院);The Hong Kong Polytechnic University(香港理工大学)
本文提出在条件Wasserstein生成对抗网络中使用Group Lasso惩罚进行变量选择,并将其扩展到删失生存数据分析,建立了变量选择的收敛速率并提升了分布估计效率。
2024-02-26 cs.LG stat.ME stat.ML
Pre-Training Meta-Rule Selection Policy for Visual Generative Abductive Learning
Zhejiang University(浙江大学);Nanjing University(南京大学)
本文针对视觉生成溯因学习中逻辑溯因成本高的问题,提出对 AbdGen 的元规则选择策略进行预训练,通过纯符号数据学习选择模型以剪枝候选空间,并发现该策略可纠正未见过的符号基错误,从而显著提升学习效率。
2025-03-09 cs.AI cs.CV cs.LG
Beyond Discrete Selection: Continuous Embedding Space Optimization for Generative Feature Selection
Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心);University of Chinese Academy of Sciences(中国科学院大学);University of Central Florida(中佛罗里达大学);Arizona State University(亚利桑那州立大学)
本文将特征选择重新表述为深度可微优化任务,提出连续嵌入空间优化框架,通过编码器-评估器-解码器结构和梯度上升搜索,解决高维小样本下的泛化与性能问题。
2023-09-15 cs.AI cs.LG
FedGCS: A Generative Framework for Efficient Client Selection in Federated Learning via Gradient-based Optimization
Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心);University of Chinese Academy of Sciences(中国科学院大学);Hangzhou Institute for Advanced Study, UCAS(UCAS杭州先进研究院);Department of Computer and Information Science, IOTSC, University of Macau(澳门科技大学计算机与信息科学系);University of Oxford(牛津大学)
本文提出 FedGCS 生成式客户端选择框架,将选择转化为连续空间中的梯度优化与解码生成任务,以兼顾模型性能、延迟和能耗。
2025-09-30 cs.DC cs.LG
Decision-Focused Scenario Generation and Selection for Efficient and Robust Grid Dispatch
针对电网调度中分布鲁棒优化依赖预测场景构建模糊集存在的问题,提出基于决策聚焦的生成框架,依下游运行成本优化场景,适配多种生成模型,开发可微场景选择器,案例研究显示可有效降低运行成本。
2026-07-08 cs.AI cs.LG
Efficient Dataset Selection for Continual Adaptation of Generative Recommenders
Spotify;Carnegie Mellon University(卡内基梅隆大学)
研究通过针对性数据选择缓解时间分布漂移导致的性能下降,采用梯度表示与分布匹配提升模型性能,实现训练效率提升与鲁棒性保障。
2026-04-09 cs.IR cs.LG
Generative Models Erode Human Temporal Learning Through Market Selection
Independent Researcher(独立研究者)
本文论证现代生成模型在亚AGI能力水平上通过市场选择机制侵蚀人类时间学习,提出价值崩溃路径并用昂贵检验框架形式化,跨领域证据显示验证侵蚀四阶段。
2026-06-04 cs.AI cs.CY cs.LG
Are generative deep models for novelty detection truly better?
UTIA CAS(捷克科学院信息理论与自动化研究所);FEL CTU Prague(布拉格捷克理工大学电气工程学院)
最近已经提出了许多用于异常检测的深度模型。本文在大量非图像基准数据集上比较了选定的生成深度模型和经典异常检测方法。我们提供所选模型的统计比较,在许多配置,架构和hyperparamaters。我们得出的结论是,生成模型的性能是由其超参数的选择过程。具体而言,深度生成模型的性能随着超参数选择中使用的异常样本量的减少而恶化。在异常检测的实际场景中,没有一个深度生成模型系统地优于kNN。
2018-07-13 cs.LG stat.ML
SYNTHONY: A Stress-Aware, Intent-Conditioned Agent for Deep Tabular Generative Models Selection
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出SYNTHONY,一种基于意图的表格生成模型选择框架,通过压力分析选择最佳合成器,提升模型在不同数据分布下的性能和实用性。
2026-03-31 cs.LG stat.ML
Best of Both Worlds Model Selection
Microsoft Research(微软研究院);Google(谷歌)
我们研究的问题,在土匪的情况下,存在嵌套的政策类的模型选择,同时获得对抗性和随机(“两全其美”)的高概率后悔保证的目标。我们的方法要求每个基础学习者都有一个候选后悔界限,这个界限可能成立,也可能不成立,而我们的Meta算法根据一个时间表来播放每个基础学习者,这个时间表保持基础学习者的候选后悔界限平衡,直到他们被检测到违反了他们的保证。我们开发了专门设计的仔细的错误规范测试,以将上述模型选择标准与利用环境(潜在的良性)性质的能力相结合。我们恢复模型选择保证的CORRAL算法的对抗性环境,但额外的好处是实现高概率的遗憾界限,特别是在嵌套的对抗性线性土匪的情况下。更重要的是,我们的模型选择结果也同时成立于随机环境下的间隙假设。这些是第一个理论结果,实现最好的两个世界(随机和对抗)的保证,同时执行模型选择(线性)土匪的情况。
2022-06-29 cs.AI cs.LG stat.ML
Budgeted Prompt-Set Expansion and Refinement for Language Models via Simulation Optimization
University of California Berkeley(加州大学伯克利分校)
针对生成式语言模型提示词选择依赖人工的问题,提出基于仿真优化的两阶段框架,通过构建得分代理模型序贯选择提示词,证明了过程一致性并通过实验验证了有效性。
2026-10-27 cs.AI cs.CL cs.LG
A Unit Selection Methodology for Music Generation Using Deep Neural Networks
Georgia Tech(佐治亚理工学院);Google Research(谷歌研究院)
计算机基于数据生成音乐的方法有几种,包括马尔可夫链、递归神经网络、重组和语法。我们探索使用单位选择和串联作为一种手段,使用基于排名的程序生成音乐,其中,我们认为一个单位是一个可变长度的音乐措施。我们首先研究是否是一个单位的选择方法,这是限制在一个有限大小的单元库,可以足以涵盖广泛的音乐。我们通过开发一个深度自动编码器来实现这一点,该编码器对音乐输入进行编码,并通过从库中选择来重建输入。然后,我们描述了一个生成模型,该模型将深度结构化语义模型(DSSM)与LSTM相结合,以预测下一个单元,其中单元由四个,两个和一个音乐措施组成。我们评估生成模型使用客观指标,包括平均排名和准确性,并与主观的听力测试中,专家音乐家被要求完成一个被迫选择的排名任务。我们将我们的模型与音符级生成基线进行比较,该基线由经过训练的堆叠LSTM组成,以向前预测一个音符。
2016-12-12 cs.AI cs.LG cs.SD
Cost-Sensitive Best Subset Selection for Logistic Regression: A Mixed-Integer Conic Optimization Perspective
University of Applied Sciences Berlin(柏林应用科学大学)
针对机器学习尤其是临床领域可解释模型的特征选择需求,提出一种考虑特征获取代价的混合整数锥优化逻辑回归最优特征选择方法,构建合成数据集生成器评估发现现有方法在小数据和标签噪声下有局限,给出实证建议并为元学习研究铺路。
2023-10-09 cs.AI cs.LG
Feature selection as Monte-Carlo Search in Growing Single Rooted Directed Acyclic Graph by Best Leaf Identification
École Normale Supérieure Paris-Saclay(巴黎-萨克雷高等师范学院);Graduate school of Information Science and Technology, Hokkaido University(北海道大学信息科学与技术研究生院)
蒙特卡罗树搜索(MCTS)由于在计算机围棋难题中的巨大成功而受到了相当大的关注,并且在一系列其他领域也被证明是有益的。在MCTS文献中很少受到关注的一个主要问题是,在大多数游戏中,不同的动作可能导致相同的状态,这可能导致树表示中的高度冗余和不必要的额外计算成本。将MCTS推广到单根有向无环图(SR-DAG),并考虑任意深度的扩展SR-DAG的最佳臂识别(BAI)和最佳叶识别(BLI)问题.我们提出的算法是(δ,δ)正确的固定置信度设置,并证明了我们的BAI算法的样本复杂性的渐近上界。作为我们的BLI算法的一个主要应用,提出了一种新的特征选择方法,通过将特征集空间表示为SR-DAG,并重复评估特征子集,直到返回最佳叶的候选者,在基准数据集上显示概念证明。
2019-04-26 cs.AI cs.LG
The Sample Complexity of Best-$k$ Items Selection from Pairwise Comparisons
The Ohio State University(俄亥俄州立大学)
本文研究了两两比较中有效最佳$k$项目选择的样本复杂度(即比较次数)界。从一组给定的项目中,学习器可以对每对项目进行成对比较,每次比较都会返回关于首选项目的独立噪声结果。在任何时候,学习器可以根据过去的观察自适应地选择一对项目进行比较(即,主动学习)。学习者的目标是在给定的置信度下找到(近似)最佳的$k$项目,同时尝试使用尽可能少的比较。本文研究了两个问题:(i)在强随机传递性和随机三角不等式下,寻找可能近似正确(PAC)的最佳$k$项和(ii)寻找精确最佳$k$项.对于PAC最佳- $k$项目选择,我们首先给出了一个下界,然后提出了一个算法,其样本复杂度上界匹配下界到一个常数因子。对于确切的最佳$k$项目选择,我们首先证明了最坏的情况下的下限。然后,我们提出了两个算法的基础上,我们的PAC最佳项目选择算法:一个工程$k=1$和样本复杂性最佳的对数因子,和其他工程的所有值的$k$和样本复杂性最佳的对数因子。
2021-07-29 cs.LG stat.ML
GenCAR: Generative Counterfactual Alignment with Risk-Controlled Selection for Out-of-Distribution Recommendation
Southern University of Science and Technology(南方科技大学);University of Pennsylvania(宾夕法尼亚大学)
本研究针对分布外推荐的风险问题,提出GenCAR方法,通过控制代理标签错误发现率,提升了不同基准下的分布外推荐候选恢复效果。
2026-09-03 cs.IR cs.LG
Use of High Dimensional Modeling for automatic variables selection: the best path algorithm
Università Cattolica del Sacro Cuore(圣心天主教大学)
本文提出了一种新的变量自动选择算法。特别是,使用图形模型属性,可以开发一种可用于大型数据集竞赛的方法。该算法的优点是可以与不同的预测模型相结合。在这项研究中,我们使用了OLS方法,我们与LASSO方法的结果进行了比较。
2022-01-14 cs.LG stat.ML
PT-MMD: A Novel Statistical Framework for the Evaluation of Generative Systems
University of California San Diego(加州大学圣地亚哥分校)
基于随机采样的生成神经网络,例如限制玻尔兹曼机和生成对抗网络,现在用于去噪、图像遮挡去除、模式完成和运动合成等应用。在涉及使用这些模型执行此类推理任务的场景中,关键是确定允许在预先指定的实现约束下进行模型选择和/或维持必要的生成性能的度量。在本文中,我们提出了一个新的度量生成模型的性能评估的基础上$p$ -值来自最大平均离散(MMD)和基于置换(PT-基于)的响应,我们称之为PT-MMD的组合使用。我们在两种情况下证明了该度量的有效性:(1)选择位宽和激活函数复杂度,以实现受限玻尔兹曼机的最小性能功耗;(2)定量比较两种类型的生成对抗网络(PGAN和WGAN)生成的图像,以促进模型选择,从而最大限度地提高生成图像的保真度。对于这些应用程序,我们的结果显示使用欧几里德和Haar为基础的内核的PT-MMD两个样本的假设检验。这证明了距离函数在将生成的图像与人类用户所感知的相应的地面真实对应物进行比较中的关键作用。
2019-10-28 cs.LG eess.IV stat.ML
BWS: Best Window Selection Based on Sample Scores for Data Pruning across Broad Ranges
Samsung Research(三星研究院);Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
本文提出了一种通用高效的数据子集选择方法BWS,通过基于难度分数排序样本并选择最佳窗口子集,结合核岭回归评估质量,在广泛选择比例范围内优于基线方法。
2024-06-05 cs.LG stat.ML
Test-Time Scaling with Reflective Generative Model
MetaStone-AI;USTC
本文提出反思性生成模型MetaStone-S1,通过统一策略与过程奖励模型接口及自监督过程奖励模型,实现测试时扩展,以32B参数达到OpenAI o3-mini性能。
2025-07-09 cs.CL cs.LG
Dynamic Incremental Optimization for Best Subset Selection
University of Tennessee at Chattanooga(田纳西大学查塔努加分校);Texas A&M University(得克萨斯农工大学)
本文研究最佳子集选择问题,提出基于原始-对偶结构和增量策略的动态优化算法,以减少冗余计算并提升解的效率与统计性能。
2024-12-30 cs.LG stat.ML
Solving the Best Subset Selection Problem via Suboptimal Algorithms
University of Central Oklahoma(中央俄克拉荷马大学);The University of Alabama(阿拉巴马大学)
针对高维线性回归中最佳子集选择问题的非凸与计算挑战,本文提出一种新的次优算法,通过合成与真实数据实验验证其能以更低计算成本提供良好近似解,表现出强竞争力。
2025-03-31 cs.LG stat.ML
Efficient Personalization of Generative Models via Optimal Experimental Design
ETH Zurich, Zurich, Switzerland(苏黎世联邦理工学院);ETH AI Center, Zurich, Switzerland(苏黎世联邦理工人工智能中心);Broad Institute, Boston, USA(Broad研究所)
本文通过最优实验设计方法,高效地利用人类反馈优化生成模型的个性化,减少偏好查询的数量。
2026-02-16 cs.IT cs.LG math.IT
A Consistent and Scalable Algorithm for Best Subset Selection in Single Index Models
University of Science and Technology of China(中国科学技术大学);Sun Yat-Sen University(孙中山大学);National University of Singapore(新加坡国立大学);Yale University(耶鲁大学)
本文针对高维单指标模型中最佳子集选择的计算难处理性问题,提出一种可证明可扩展的算法,通过广义信息准则自动确定支撑集大小,并直接证明了子集选择一致性和oracle性质,仿真显示其计算高效且能精确恢复最佳子集。
2025-08-17 cs.LG stat.CO stat.ME
Offline-to-Online Creative Optimization with Generative Models and Adaptive Testing
University of Michigan(密歇根大学);Meta
研究如何利用历史A/B测试数据,通过性能驱动的离线到在线工作流程,用预测模型指导生成测试广告位候选创意,经实验验证该方法能有效提升创意参与度,为创意优化提供设计原则。
2026-07-28 cs.AI cs.LG
No Regret Sample Selection with Noisy Labels
RIKEN AIP(日本理化学研究所革新智能统合研究中心);Kyushu University(九州大学)
深度神经网络(DNN)由于过度拟合的风险而受到噪声标记数据的影响。为了避免这种风险,本文提出了一种新的DNN训练方法,该方法基于自适应k集选择,从每个时期的全部n个噪声训练样本中选择k(< n)个干净的样本候选。它具有很强的优势,从理论上保证了选择的性能。粗略地说,一个遗憾,这是由实际选择和最佳选择之间的差异,所提出的方法是理论上有界的,即使最佳选择是未知的,直到所有的时代结束。在多个噪声标记数据集上的实验结果表明,我们的样本选择策略在DNN训练中有效;事实上,所提出的方法在最先进的方法中实现了最佳或第二佳性能,同时需要显着降低计算成本。该代码可在https://github.com/songheony/TAkS上获得。
2021-04-04 cs.LG stat.ML
abess: A Fast Best Subset Selection Library in Python and R
Sun Yat-Sen University(中山大学);University of Science and Technology of China(中国科学技术大学);Renmin University of China(中国人民大学);Peking University(北京大学);National University of Singapore(新加坡国立大学)
本文介绍abess库,用统一框架高效求解线性回归、分类和PCA等最佳子集选择问题,速度可达现有工具20倍,并提供Python和R接口。
2022-06-17 cs.LG stat.CO stat.ML
Best-of-Evidence: Best-of-N Selection under Partial Verification
IQuest Research(IQuest研究公司);INSAIT(INSAIT公司);Technical University of Denmark(丹麦技术大学)
研究视觉语言任务中部分验证问题,提出最佳证据(BoE)推理时选择框架,保持候选池固定,用图表示主张并分配预算,形式化部分验证选择,有实用控制器,实验表明其能改进选择并揭示相关限制。
2026-07-24 cs.LG
Selecting the Best in GANs Family: a Post Selection Inference Framework
Carnegie Mellon University(卡内基梅隆大学);RIKEN AIP(理化学研究所先进智能项目中心);Nagoya Institute of Technology(名古屋工业大学);Institute of Statistical Mathematics(统计数学研究所)
“哪种生成对抗网络(GANs)生成最合理的图像?“一直是研究人员经常问的问题。为了解决这个问题,我们首先提出了一个\emph{incomplete} U-统计估计的最大平均差异$\mathrm{MMD}_{inc}$来衡量生成的图像和真实图像之间的分布差异。$\mathrm{MMD}_{inc}$具有渐近正态性、计算效率和模型不可知性等优点。然后,我们提出了一个GANs分析框架,选择和测试“最好的”成员在GANs家庭使用后选择推理(PSI)与$\mathrm{MMD}_{inc}$。在实验中,我们采用所提出的框架对7个GANs变体,并比较它们的$\mathrm{MMD}_{inc}$分数。
2018-06-23 cs.LG stat.ML
Mitigating Watermark Forgery in Generative Models via Randomized Key Selection
MBZUAI;A*STAR;MSU;Duke
本文提出一种随机化键选择的水印防御方法,通过仅接受恰好一个键检测到水印的内容,证明其在不增加计算开销的情况下有效降低伪造攻击的成功率。
2026-10-05 cs.AI cs.CR cs.LG
Text-To-Image with Generative Adversarial Networks
Sharif university of technology international campus-kish island(谢里夫理工大学国际校区基什岛)
本文针对从文本生成逼真图像的挑战,比较了五种基于生成对抗网络(GAN)的文本到图像生成方法,通过分析不同分辨率及关键评估指标,确定了该问题的最佳模型。
2024-10-11 cs.AI cs.CV cs.LG
High-dimensional Analysis of Synthetic Data Selection
Institute of Science and Technology (ISTA)(科学与技术研究所)
本文通过高维回归分析合成数据选择,发现协方差偏移影响泛化误差而均值偏移不影响,并证明协方差匹配在多种模型和设置中表现优异。
2025-10-09 cs.LG stat.ML
All models are wrong, some are useful: Model Selection with Limited Labels
ETH Zurich(苏黎世联邦理工学院);TU Delft(代尔夫特理工大学)
本文提出 MODEL SELECTOR 框架,通过主动标注少量高信息量目标样本来选择预训练分类器,在大规模实验中显著降低标注成本并保持最佳或接近最佳的选择效果。
2024-10-24 cs.LG
Kernel Change-point Detection with Auxiliary Deep Generative Models
Carnegie Mellon University(卡内基梅隆大学)
检测时间序列中突然属性变化的出现是一个具有挑战性的问题。核两样本检验方法比传统的参数方法对样本分布的假设更少。然而,选择核在实践中是不平凡的。虽然人们已经研究了双样本检验的核选择问题,但在变点检测问题中样本的不足阻碍了核选择算法的成功。在本文中,我们提出了KL-CPD,一种新的内核学习框架的时间序列CPD,通过辅助生成模型优化测试功率的下限。KL-CPD通过深度核参数化,将数据驱动的核赋予核双样本测试,以检测实际应用中不同类型的变点。在我们对基准数据集和模拟研究的比较评估中,所提出的方法显着优于其他最先进的方法。
2019-01-18 cs.LG stat.ML