JMLR

FLAGG: Flexible Autoregressive Graph Generation

FLAGG：灵活自回归图生成

Samuel Cognolato, Alessandro Sperduti, Luciano Serafini

机构 * Department of Mathematics, University of Padova（帕多瓦大学数学系） ； Fondazione Bruno Kessler (FBK)（布鲁诺·克瑟研究所） ； Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系） 纠错

AI总结 提出FLAGG框架，通过将一次性模型与自回归顺序生成相结合，灵活处理不同规模和拓扑的图生成任务，在多个数据集上优于纯一次性或纯自回归基线。

Comments Accepted for publication at JMLR, currently in press

Accelerated Alternating Projections for Robust Principal Component Analysis

加速交替投影用于鲁棒主成分分析

HanQin Cai, Jian-Feng Cai, Ke Wei

机构 * Department of Mathematics, University of California, Los Angeles（加州大学洛杉矶分校数学系） ； Department of Mathematics, Hong Kong University of Science and Technology（香港理工大学数学系） ； School of Data Science, Fudan University（复旦大学数据科学学院） 纠错

AI总结 本文提出了一种加速交替投影算法，用于鲁棒主成分分析，显著提高了现有交替投影方法在更新低秩因子时的计算效率，并证明了该算法的精确恢复保证和线性收敛性。

Journal ref Journal of Machine Learning Research, 20 (2019): 685-717

Deep Reinforcement Learning for Swarm Systems

深度强化学习用于群体系统

Maximilian Hüttenrauch, Adrian Šošić, Gerhard Neumann

机构 * L-CAS University of Lincoln（L-CAS林肯大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） 纠错

AI总结 本文提出了一种基于分布均嵌入的新状态表示方法，用于深度多智能体强化学习，以更有效地处理大规模同质群体系统的去中心化决策问题。

Comments 31 pages, 12 figures, version 3 (published in JMLR Volume 20)

Journal ref Journal of Machine Learning Research 20(54):1-31, 2019

A Bootstrap Method for Error Estimation in Randomized Matrix Multiplication

一种用于随机矩阵乘法误差估计的自助法

Miles E. Lopes, Shusen Wang, Michael W. Mahoney

机构 * Department of Statistics University of California at Davis（加州大学戴维斯分校统计学系） ； Department of Computer Science Stevens Institute of Technology（史蒂文斯理工学院计算机科学系） ； International Computer Science Institute and Department of Statistics University of California at Berkeley（伯克利大学国际计算机科学研究所和统计学系） 纠错

AI总结 本文提出了一种自助方法，用于直接估计随机矩阵乘法（降维）的准确性，作为解决一般问题的原型设置。该方法在计算上不显著增加标准降维方法的成本，并通过插值技术实现，同时提供了理论和实证结果以证明其有效性。

Journal ref Journal of Machine Learning Research, 20(39): 1-40, 2019

Inverse Reinforcement Learning via Nonparametric Spatio-Temporal Subgoal Modeling

通过非参数时空子目标建模实现逆强化学习

Adrian Šošić, Elmar Rueckert, Jan Peters, Abdelhak M. Zoubir, Heinz Koeppl

机构 * Signal Processing Group（信号处理组） ； Institute for Robotics and Cognitive Systems（机器人与认知系统研究所） ； Autonomous Systems Labs（自主系统实验室） ； Bioinspired Communication Systems（生物启发通信系统） 纠错

AI总结 本文提出了一种基于非参数时空子目标建模的逆强化学习方法，通过局部上下文更高效地解释单条轨迹，实现更紧凑的行为表示，并构建隐式意图模型以预测未观察到的情况，从而在处理意图变化和主动学习场景中表现出色。

Comments 45 pages, 14 figures; ### Version 3 ### published in the Journal of Machine Learning Research

Sketched Ridge Regression: Optimization Perspective, Statistical Perspective, and Model Averaging

草图岭回归：优化视角、统计视角和模型平均

Shusen Wang, Alex Gittens, Michael W. Mahoney

机构 * International Computer Science Institute and Department of Statistics University of California at Berkeley（国际计算机科学研究所和统计学系加州大学伯克利分校） ； Computer Science Department Rensselaer Polytechnic Institute（计算机科学系拉特格斯理工学院） 纠错

AI总结 本文从优化和统计角度研究了草图和Hessian草图在矩阵岭回归中的影响，发现经典草图能近似最优解，而Hessian草图则不同。通过理论和实验表明，模型平均可显著降低真实与草图解间的风险差距。

Comments To appear in Journal of Machine Learning Research, 2018. A short version has appeared in International Conference on Machine Learning (ICML), 2017

Journal ref Journal of Machine Learning Research, 19, pp1-50, 2018

A variational approach to path estimation and parameter inference of hidden diffusion processes

隐扩散过程路径估计与参数推断的变分方法

Tobias Sutter, Arnab Ganguly, Heinz Koeppl

AI总结 本文提出一种变分方法，用于估计隐扩散过程的路径并推断参数，通过高效推理方案提升对随机微分方程参数的估计精度。

Comments 37 pages, 2 figures, revised

Journal ref JMLR, volume 17, number 190, year 2016

A Bounded $p$-norm Approximation of Max-Convolution for Sub-Quadratic Bayesian Inference on Additive Factors

具有 bounded p-范数的 max-卷积近似用于亚二次贝叶斯推理在加法因子上

Julianus Pfeuffer, Oliver Serang

AI总结 本文提出两种基于 p-范数快速卷积的数值稳定方法，用于近似 max-卷积，从而将隐马尔可夫模型中 Toeplitz 转移矩阵的 Viterbi 路径近似时间从 O(nk²) 降低到 O(nk logk)。

Journal ref Journal of Machine Learning Research 17 (2016) 1-39

Spectral Compressed Sensing via Structured Matrix Completion

通过结构矩阵补全的谱压缩感知

Yuxin Chen, Yuejie Chi

AI总结 本文提出基于结构矩阵补全的增强矩阵补全算法，用于从少量时域样本中恢复谱稀疏对象，通过核范数最小化实现完美恢复，且在信息理论极限附近具有鲁棒性和超分辨率应用能力。

Comments accepted to International Conference on Machine Learning (ICML 2013)

Journal ref Journal of Machine Learning Research, W&CP 28 (3) :414-422, 2013

Probabilistic Solutions to Differential Equations and their Application to Riemannian Statistics

微分方程的概率解及其在黎曼统计学中的应用

Philipp Hennig, Søren Hauberg

AI总结 本文提出一种概率数值方法，用于求解初值和边界值问题，返回解的高斯过程后验。该方法在黎曼流形统计中具有应用价值，能处理非解析常微分方程，通过不确定性边际化提升统计鲁棒性，提出新的黎曼算法和主地理分析方法。

Comments 11 page (9 page conference paper, plus supplements)

Journal ref Proceedings of the 17th International Conference on Artificial Intelligence and Statistics (AISTATS) 2014, Reykjavik, Iceland. Journal of Machine Learning Research: W&CP volume 33