爱可可AI论文推介(11月5日)

1、[ME]*BayesianWorkflow

AGelman,AVehtari,DSimpson,,BCarpenter,YYao,LKennedy,JGabry,PBürkner,MModrák

[ColumbiaUniversityAaltoUniversityUniversityofToronto]

贝叶斯模型工作流全面综述。数据分析的贝叶斯方法提供了一种强有力的方法来处理所有观测、模型参数和概率论模型结构中的不确定性。概率编程语言使指定和拟合贝叶斯模型变得更容易，但仍给我们留下了许多关于构造、评价和使用这些模型的选择，以及在计算中许多其他挑战。用贝叶斯推理解决现实问题不仅需要统计技术、学科知识和编程，还需要了解数据分析过程中所做的决策。所有这些都可以理解为应用贝叶斯统计的复杂工作流的一部分。除此之外，工作流还包括迭代模型构建、模型检查、计算问题的检验和故障排除、模型理解和模型比较。本文用多个示例场景回顾了工作流的所有这些方面。

2、[CV]*LearningDeformableTetrahedralMeshesfor3DReconstruction

JGao,WChen,TXiang,AJacobson,MMcGuire,SFidler

[NVIDIAUniversityofToronto]

面向3D重建的变形四面体网格学习。在3D重建问题中，引入了变形四面体网格(DefTet)的特殊参数化形式，其优化了顶点放置和占用，具有可微的标准3D重建损失函数。可利用神经网络从含噪点云和单一图像，直接生成四面体网格。该方法取得了可比或更高的重建质量，运行速度明显快于已有工作。

3、[LG]*Targetingforlong-termoutcomes

JYang,DEckles,PDhillon,SAral

[MITUniversityofMichigan]

以长期收益为目标。通过整合用学习得出的替代性指标来推算长期收益，以推进策略学习实践。证明了基于估算收益的平均处理效果估计的有效性条件，也充分适用于有效的策略评价和优化，这些条件可以在一定程度上放宽，以实现策略优化。通过与基于事实的长期结果的政策进行比较，实证验证了该方法，并表明它们在统计学上是不可分的。运行了两个大规模的自适应实验，结果表明，由替代性指标得出的对长期收益进行优化的策略，优于对长期收益短期代理化的策略。与波士顿环球报目前的策略相比，三年来，本文提出的做法带来了4-5百万美元的净收益。

4、[LG]ngNeuralNetworks

,AVanderburg,,XDumusque

[UniversityofTexasatAustinUniversityofWisconsin-MadisonUniversitedeGeneve]

用深度学习识别系外行星——利用神经网络从径向速度测量中去除恒星活动信号。展示了用机器学习技术，如线性回归和神经网络，如何从精确径向速度(RV)观测中有效去除(由星点/光斑带来的)活动信号。在未来，这些或类似的技术，可能会从太阳系外的恒星观测中移除活动信号，最终帮助探测类似太阳恒星周围的具有地球质量的宜居带系外行星。