NeurIPS

Fast Bayesian Non-Negative Matrix Factorisation and Tri-Factorisation

快速的贝叶斯非负矩阵分解与三因子分解

Thomas Brouwer, Jes Frellsen, Pietro Lio'

AI总结 本文提出一种快速变分贝叶斯算法，用于非负矩阵分解和三因子分解，相比Gibbs采样和非概率方法，该方法在迭代和时间步收敛速度更快，且无需额外样本估计后验。

Comments NIPS 2016 Workshop on Advances in Approximate Bayesian Inference

Randomized Block Krylov Methods for Stronger and Faster Approximate Singular Value Decomposition

随机块Krylov方法用于更准确和更快的近似奇异值分解

Cameron Musco, Christopher Musco

AI总结 本文提出了一种随机块Krylov方法，该方法在理论上和实验上均优于现有的随机同时幂迭代方法，能够以更少的迭代次数提供更优的低秩近似，并解决了传统Krylov子空间方法依赖奇异值间隙的问题。

Comments Neural Information Processing Systems 2015

Efficient Compressive Phase Retrieval with Constrained Sensing Vectors

高效压缩相位恢复与受限传感向量

Sohail Bahmani, Justin Romberg

AI总结 本文提出一种高效的压缩相位恢复方法，通过受限传感向量和两阶段重构方法，解决从线性测量的幅度重建稀疏向量的问题，证明在O(k log(d/k))测量下可有效恢复目标信号。

Comments Accepted for the 29th Annual Conference on Neural Information Processing Systems (NIPS), 2015

Column Selection via Adaptive Sampling

通过自适应采样进行列选择

Saurabh Paul, Malik Magdon-Ismail, Petros Drineas

AI总结 本文提出了一种自适应采样算法，用于改进相对误差列选择算法，理论和实验均证明其在大规模数据矩阵列选择中表现更优。

Comments To Appear in NIPS 2015

Semi-Stochastic Coordinate Descent

半随机坐标下降法

Jakub Konečný, Zheng Qu, Peter Richtárik

AI总结 本文提出半随机坐标下降法(S2CD)，用于最小化强凸函数的平均值。方法结合确定性步骤和随机步骤，通过非均匀分布选择函数和坐标，逐步改进梯度估计。

Comments 14 pages. The paper was accepted for presentation at the 2014 NIPS Optimization for Machine Learning workshop in a peer reviewed process

On the Convergence Rate of Decomposable Submodular Function Minimization

可分解亚模函数最小化的收敛速度研究

Robert Nishihara, Stefanie Jegelka, Michael I. Jordan

AI总结 本文研究了可分解亚模函数最小化算法的收敛速度，通过几何和谱图理论分析，给出了收敛速率的上界和下界。

Comments 17 pages, 3 figures

Journal ref Neural Information Processing Systems 27, 2014

Variational Gaussian Process State-Space Models

变分高斯过程状态空间模型

Roger Frigola, Yutian Chen, Carl E. Rasmussen

AI总结 本文提出基于稀疏高斯过程的变分贝叶斯学习方法，用于高效学习非线性状态空间模型，实现对非线性动力系统后验的可计算性，相比传统参数模型，能灵活平衡模型容量与计算成本，避免过拟合。

Journal ref R. Frigola, Y. Chen and C. E. Rasmussen. Variational Gaussian Process State-Space Models, in Advances in Neural Information Processing Systems (NIPS), 2014

Bayesian Inference and Learning in Gaussian Process State-Space Models with Particle MCMC

贝叶斯推断与学习在高斯过程状态空间模型中的粒子MCMC应用

Roger Frigola, Fredrik Lindsten, Thomas B. Schön, Carl E. Rasmussen

AI总结 本文提出一种全贝叶斯方法，用于非线性非参数状态空间模型中的推断与学习，通过高斯过程先验建模状态转移动态，并利用粒子MCMC进行高效推断。

Journal ref Published in NIPS 2013, Advances in Neural Information Processing Systems 26, pp. 3156--3164

Near-Optimal Entrywise Sampling for Data Matrices

近最优数据矩阵的逐元素采样

Dimitris Achlioptas, Zohar Karnin, Edo Liberty

AI总结 本文提出一种近最优的数据矩阵逐元素采样方法，通过四条性质保证了高效性和压缩性，同时在流式模型中能有效竞争最优分布。

Comments 14 pages, to appear in NIPS' 13

A message-passing algorithm for multi-agent trajectory planning

多智能体轨迹规划的消息传递算法

Jose Bento, Nate Derbinsky, Javier Alonso-Mora, Jonathan Yedidia

AI总结 本文提出基于改进交替方向乘子法的新型算法，用于计算多智能体的无碰撞全局轨迹，具有自然并行化和易整合不同成本函数的优点。

Comments In Advances in Neural Information Processing Systems (NIPS), 2013. Demo video available at http://www.youtube.com/watch?v=yuGCkVT8Bew

Reflection methods for user-friendly submodular optimization

用于用户友好的子模优化的反射方法

Stefanie Jegelka, Francis Bach, Suvrit Sra

AI总结 本文提出一种高效的子模函数优化方法，通过连续最佳逼近问题的反射序列求解，实现连续和离散问题的双重解决，应用于图像分割任务。

Comments Neural Information Processing Systems (NIPS), États-Unis (2013)

An Approximate, Efficient Solver for LP Rounding

一个近似、高效的LP松弛求解器

Srikrishna Sridhar, Victor Bittorf, Ji Liu, Ce Zhang, Christopher Ré, Stephen J. Wright

AI总结 本文提出一种高效的近似LP松弛方法，通过并行随机坐标下降法解决二次惩罚形式的LP问题，实验证明其在顶点覆盖、独立集和多路割等组合优化问题上比商业求解器快一个数量级，同时保持相似的解质量。

Comments Clarified that this manuscript is a full version of an article that is to appear in NIPS 2013

Exploring Deep and Recurrent Architectures for Optimal Control

探索深度和循环架构以实现最优控制

Sergey Levine

AI总结 本文探讨了将深度和循环神经网络应用于连续高维运动控制任务，通过强化学习算法训练控制器，比较不同架构的性能，并讨论深度学习在最优控制中的应用前景。

Comments Appears in the Neural Information Processing Systems (NIPS 2013) Workshop on Deep Learning