As médias móveis adaptáveis levam a melhores resultados As médias móveis são uma ferramenta favorita de comerciantes ativos. No entanto, quando os mercados se consolidam, este indicador leva a numerosas negociações whipsaw, resultando em uma frustrante série de pequenas vitórias e perdas. Analistas passaram décadas tentando melhorar a média móvel simples. Neste artigo, olhamos para esses esforços e descobrimos que sua pesquisa levou a ferramentas de negociação úteis. Prós e contras de médias móveis As vantagens e desvantagens de médias móveis foram resumidas por Robert Edwards e John Magee na primeira edição de Análise Técnica de médias móveis. Tendências das ações. Quando eles disseram e, foi em 1941 que nós delightedly fizemos a descoberta (embora muitos outros tinham feito antes) que, pela média dos dados para um determinado número de dias, um poderia derivar uma espécie de linha de tendência automatizada que iria interpretar definitivamente as mudanças de Era quase bom demais para ser verdade. Na verdade, era bom demais para ser verdade. Com as desvantagens que compensam as vantagens, Edwards e Magee abandonaram rapidamente seu sonho de negociar de um bungalow da praia. Mas 60 anos depois que escreveram essas palavras, outros persistem em tentar encontrar uma ferramenta simples que facilmente entregar as riquezas dos mercados. Médias Móveis Simples Para calcular uma média móvel simples. Adicione os preços para o período de tempo desejado e divida pelo número de períodos selecionados. Encontrar uma média móvel de cinco dias exigiria somar os cinco preços de fechamento mais recentes e dividir por cinco. Se o fechamento mais recente estiver acima da média móvel, o estoque seria considerado em uma tendência de alta. As tendências de baixa são definidas pelos preços negociados abaixo da média móvel. (Para mais, veja nosso tutorial de Médias Móveis.) Esta propriedade que define tendências torna possível que as médias móveis gerem sinais de negociação. Em sua aplicação mais simples, os comerciantes compram quando os preços se movem acima da média móvel e vendem quando os preços cruzam abaixo dessa linha. Uma abordagem como esta é garantida para colocar o comerciante no lado direito de cada comércio significativo. Infelizmente, ao suavizar os dados, as médias móveis ficam para trás a ação do mercado eo comerciante quase sempre vai dar uma grande parte dos seus lucros em até mesmo os maiores negócios vencedores. As médias móveis exponenciais Os analistas parecem gostar da idéia da média movente e gastaram anos que tentam reduzir os problemas associados com este lag. Uma dessas inovações é a média móvel exponencial (EMA). Essa abordagem atribui uma ponderação relativamente maior aos dados recentes e, como resultado, fica mais próxima da ação do preço do que uma média móvel simples. A fórmula para calcular uma média móvel exponencial é: EMA (Weight Close) (EMAy de 1 peso) Onde: Peso é a constante de suavização selecionada pelo analista EMAy é a média móvel exponencial de ontem Um valor de ponderação comum é 0.181, que Está perto de uma média móvel simples de 20 dias. Outra é 0,10, que é aproximadamente uma média móvel de 10 dias. Embora reduza o lag, a média móvel exponencial não aborda outro problema com médias móveis, que é que seu uso para sinais negociando conduzirá a um grande número de comércios perdedores. Em Novos Conceitos em Sistemas Técnicos de Negociação. Welles Wilder estima que os mercados só tendem um quarto do tempo. Até 75 da ação de negociação é confinada a intervalos estreitos, quando os sinais de compra e venda de média móvel serão repetidamente gerados à medida que os preços se movem rapidamente acima e abaixo da média móvel. Para resolver este problema, vários analistas têm sugerido variando o fator de ponderação do cálculo EMA. Adaptação das médias móveis à ação do mercado Um método de resolver as desvantagens das médias móveis é multiplicar o fator de ponderação por uma razão de volatilidade. Fazer isso significaria que a média móvel seria mais longe do preço atual em mercados voláteis. Isso permitiria que os vencedores para executar. Como uma tendência chega ao fim e os preços se consolidam. A média móvel se aproximaria da atual ação de mercado e, em teoria, permitiria ao comerciante manter a maior parte dos ganhos capturados durante a tendência. Na prática, a relação de volatilidade pode ser um indicador, como a Bollinger Bandwidth, que mede a distância entre as conhecidas Bandas de Bollinger. Perry Kaufman sugeriu substituir a variável de peso na fórmula EMA com uma constante baseada no índice de eficiência (ER) em seu livro, New Trading Systems and Methods. Este indicador é projetado para medir a força de uma tendência, definida dentro de uma faixa de -1,0 a 1,0. Calcula-se com uma fórmula simples: ER (mudança de preço total para o período) (soma das variações de preços absolutos para cada barra) Considere um estoque que tem um intervalo de cinco pontos cada dia e no final de cinco dias ganhou um total De 15 pontos. Isso resultaria em um ER de 0,67 (movimento ascendente de 15 pontos dividido pelo intervalo total de 25 pontos). Se este estoque tivesse diminuído 15 pontos, o ER seria -0,67. O princípio de uma tendência de eficiência baseia-se na quantidade de movimento direcional (ou tendência) que você obtém por unidade de movimento de preço ao longo de um período de tempo. Definido. Um ER de 1,0 indica que o estoque está em uma tendência de alta perfeita -1,0 representa uma tendência de baixa perfeita. Em termos práticos, os extremos raramente são atingidos. Para aplicar este indicador para encontrar a média móvel adaptativa (AMA), os comerciantes terão de calcular o peso com a seguinte fórmula, bastante complexa: C (ER SCF SCS) SCS 2 Onde: SCF é a constante exponencial para o mais rápido EMA permitido (geralmente 2) SCS é a constante exponencial para o EMA mais lento permitido (freqüentemente 30) ER é o índice de eficiência que foi anotado acima O valor para C é então usado na fórmula EMA em vez da variável de peso mais simples. Embora difícil de calcular à mão, a média móvel adaptável é incluído como uma opção em quase todos os pacotes de software de negociação. Exemplos de uma média móvel simples (linha vermelha), uma média móvel exponencial (linha azul) e a média móvel adaptativa (linha verde) são mostrados na Figura 1. (Para mais informações sobre a EMA, leia Explorando a Média Móvel Ponderada Exponencialmente. Figura 1: O AMA está em verde e mostra o maior grau de achatamento na ação de intervalo-bound visto no lado direito deste gráfico. Na maioria dos casos, a média móvel exponencial, mostrada como a linha azul, é a mais próxima da ação de preço. A média móvel simples é mostrada como a linha vermelha. As três médias móveis mostradas na figura são todas propensas a negociações whipsaw em vários momentos. Esta desvantagem para as médias móveis tem até agora sido impossível de eliminar. Conclusão Robert Colby testou centenas de ferramentas de análise técnica na Enciclopédia de Indicadores Técnicos de Mercado. Ele concluiu: Embora a média móvel adaptativa seja uma idéia interessante com um interesse intelectual considerável, nossos testes preliminares não mostram qualquer vantagem prática real para este método de alisamento de tendências mais complexo. Isso não significa que os comerciantes devem ignorar a idéia. A AMA poderia ser combinada com outros indicadores para desenvolver um sistema de comércio rentável. (Para obter mais informações sobre este tópico, leia Descobrir Canais Keltner E O Oscilador Chaikin.) O ER pode ser usado como um indicador de tendência stand-alone para detectar as oportunidades comerciais mais rentáveis. Como um exemplo, razões acima de 0,30 indicam fortes tendências de alta e representam compras potenciais. Alternativamente, uma vez que a volatilidade se move em ciclos, os estoques com o menor índice de eficiência podem ser vistos como oportunidades de breakout. O valor de mercado total do dólar de todas as partes em circulação de uma companhia. A capitalização de mercado é calculada pela multiplicação. Frexit curto para quotFrancês exitquot é um spin-off francês do termo Brexit, que surgiu quando o Reino Unido votou. Uma ordem colocada com um corretor que combina as características de ordem de parada com as de uma ordem de limite. Uma ordem de stop-limite será. Uma rodada de financiamento onde os investidores comprar ações de uma empresa com uma avaliação menor do que a avaliação colocada sobre a. Uma teoria econômica da despesa total na economia e seus efeitos no produto e na inflação. A economia keynesiana foi desenvolvida. A detenção de um activo numa carteira. Um investimento de carteira é feito com a expectativa de ganhar um retorno sobre ele. Introdução Desenvolvido por Perry Kaufman, Kaufman039s Adaptive Moving Average (KAMA) é uma média móvel projetado para contabilizar o ruído do mercado ou volatilidade. Kaufman039s Adaptive Moving Average (KAMA) A KAMA acompanhará de perto os preços quando os balanços de preços forem relativamente pequenos eo ruído é baixo. A KAMA se ajustará quando as oscilações dos preços aumentarem e seguirem os preços de uma distância maior. Este indicador de tendência pode ser usado para identificar a tendência geral, os pontos de mudança de tempo e os movimentos dos preços dos filtros. Cálculo Existem várias etapas necessárias para calcular a média móvel adaptativa Kaufman039s. Let039s primeiro comece com as configurações recomendadas por Perry Kaufman, que são KAMA (10,2,30). 10 é o número de períodos para o Índice de Eficiência (ER). 2 é o número de períodos para a constante EMA mais rápida. 30 é o número de períodos para a constante EMA mais lenta. Antes de calcular o KAMA, precisamos calcular a Relação de Eficiência (ER) e a Constante de Suavização (SC). Dividindo a fórmula em pepitas de tamanho de mordida torna mais fácil entender a metodologia por trás do indicador. Note que ABS significa Absolute Value. Rácio de Eficiência (ER) O ER é basicamente a variação de preço ajustada para a volatilidade diária. Em termos estatísticos, o Índice de Eficiência indica a eficiência fractal das mudanças de preços. ER flutua entre 1 e 0, mas estes extremos são a exceção, não a norma. ER seria 1 se os preços subiram 10 períodos consecutivos ou para baixo 10 períodos consecutivos. ER seria zero se o preço for inalterado ao longo dos 10 períodos. Constante de suavização (SC) A constante de suavização utiliza a ER e duas constantes de suavização com base numa média móvel exponencial. Como você deve ter notado, a constante de suavização está usando as constantes de suavização para uma média móvel exponencial em sua fórmula. (2301) é a constante de suavização para um EMA de 30 períodos. O SC mais rápido é a constante de suavização para EMA mais curto (2 períodos). O SC mais lento é a constante de suavização para o EMA mais lento (30 períodos). Note que o 2 no final é quadrado a equação. Com a Relação de Eficiência (ER) ea Constante de Suavização (SC), estamos agora prontos para calcular a Média Móvel Adaptativa (KAMA) de Kaufman. Como precisamos de um valor inicial para iniciar o cálculo, o primeiro KAMA é apenas uma média móvel simples. Os cálculos a seguir são baseados na fórmula abaixo. Exemplo de CálculoChart As imagens abaixo mostram uma captura de tela de uma planilha do Excel usada para calcular o KAMA eo gráfico QQQ correspondente. Uso e Sinais Os cartistas podem usar KAMA como qualquer outra tendência seguinte indicador, como uma média móvel. Os cartistas podem procurar cruzamentos de preços, mudanças direcionais e sinais filtrados. Primeiro, uma cruz acima ou abaixo KAMA indica mudanças direcionais nos preços. Tal como acontece com qualquer média móvel, um sistema de crossover simples irá gerar muitos sinais e lotes de whipsaws. Chartists pode reduzir whipsaws aplicando um filtro de preço ou tempo para os crossovers. Pode-se exigir preço para segurar a cruz para definir o número de dias ou exigir a cruz exceder KAMA por percentagem conjunto. Em segundo lugar, os cartistas podem usar a direção da KAMA para definir a tendência geral para uma segurança. Isso pode exigir um ajuste de parâmetro para suavizar o indicador ainda mais. Os cartistas podem alterar o parâmetro do meio, que é a constante EMA mais rápida, para suavizar o KAMA e procurar mudanças direcionais. A tendência é para baixo, enquanto KAMA está caindo e forjando menores baixos. A tendência é para cima, enquanto KAMA está subindo e forjando mais altos. O exemplo de Kroger abaixo mostra KAMA (10,5,30) com uma tendência de alta acentuada de dezembro a março e uma tendência de alta menos acentuada de maio a agosto. E finalmente, os chartists podem combinar sinais e técnicas. Os cartistas podem usar um KAMA de longo prazo para definir a tendência maior e um KAMA de curto prazo para sinais de negociação. Por exemplo, KAMA (10, 5, 30) pode ser usado como um filtro de tendência e ser considerado otimista quando subir. Depois de otimista, os cartistas poderiam então olhar para as cruzes de alta quando o preço se move acima de KAMA (10,2,30). O exemplo abaixo mostra MMM com um aumento no longo prazo KAMA e cruzes de alta em dezembro, janeiro e fevereiro. A KAMA de longo prazo recusou-se em abril e houve cruzes de baixa nos meses de maio, junho e julho. SharpCharts KAMA pode ser encontrado como uma sobreposição de indicadores na Workbench SharpCharts. As configurações padrão aparecerão automaticamente na caixa de parâmetros depois de selecionada e os chartists podem alterar esses parâmetros de acordo com suas necessidades analíticas. O primeiro parâmetro é para a Eficiência Ratio e chartists deve abster-se de aumentar este número. Em vez disso, os cartistas podem diminuí-la para aumentar a sensibilidade. Os cartistas que procuram alisar a KAMA para análise de tendência a longo prazo podem aumentar o parâmetro médio de forma incremental. Mesmo que a diferença é apenas 3, KAMA (10,5,30) é significativamente mais suave do que KAMA (10,2,30). Estudo Adicional Do criador, o livro abaixo oferece informações detalhadas sobre indicadores, programas, algoritmos e sistemas, incluindo detalhes sobre KAMA e outros sistemas de média móvel. Sistemas de Negociação e Métodos Perry KaufmanCrowdsourcing é um meio muito popular de obter as grandes quantidades de dados rotulados que modernos métodos de aprendizagem de máquina exigem. Embora barato e rápido de obter, crowdsourced rótulos sofrem de quantidades significativas de erro, degradando assim o desempenho das tarefas de aprendizagem máquina a jusante. Com o objetivo de melhorar a qualidade dos dados rotulados, buscamos mitigar os muitos erros que ocorrem devido a erros bobos ou erros inadvertidos por trabalhadores crowdsourcing. Propomos um cenário de dois estágios para o crowdsourcing onde o trabalhador primeiro responde às perguntas, e então é permitido mudar suas respostas depois de olhar para uma (ruidosa) resposta de referência. Formulamos matematicamente esse processo e desenvolvemos mecanismos para incentivar os trabalhadores a agir adequadamente. Nossas garantias matemáticas mostram que nosso mecanismo incentiva os trabalhadores a responder honestamente em ambas as etapas, e abster-se de responder aleatoriamente na primeira fase ou simplesmente copiar na segunda. As experiências numéricas revelam um aumento significativo no desempenho que tal auto-correção pode fornecer ao usar o crowdsourcing para treinar algoritmos de aprendizado de máquina. Existem vários modelos paramétricos para analisar dados de comparação pairwise, incluindo os modelos Bradley-Terry-Luce (BTL) e Thurstone, mas sua dependência de pressupostos paramétricos fortes é limitante. Neste trabalho, estudamos um modelo flexível para comparações por pares, sob o qual as probabilidades de resultados são necessárias apenas para satisfazer uma forma natural de transitividade estocástica. Esta classe inclui modelos paramétricos incluindo os modelos BTL e Thurstone como casos especiais, mas é consideravelmente mais geral. Nós fornecemos vários exemplos de modelos nesta classe stochastically transitive mais larga para que os modelos paramétricos clássicos fornecem ajustes pobres. Apesar desta maior flexibilidade, mostramos que a matriz de probabilidades pode ser estimada na mesma taxa que nos modelos paramétricos padrão. Por outro lado, ao contrário dos modelos BTL e Thurstone, calcular o estimador minimax-ótimo no modelo estocástico transitivo não é trivial e exploramos várias alternativas computacionalmente tratáveis. Mostramos que um algoritmo de limiar de valor singular simples é estatisticamente consistente, mas não atinge a taxa de minimax. Em seguida, propomos e estudamos algoritmos que alcançam a taxa de minimax sobre sub-classes interessantes da classe estocástica completa transitiva. Complementamos nossos resultados teóricos com simulações numéricas completas. Mostramos como qualquer modelo binário pairwise pode ser desenraizado para um modelo totalmente simétrico, onde os potenciais singleton originais são transformados em potenciais em bordas para uma variável adicionada, e então rerooted para um novo modelo sobre o número original de variáveis. O novo modelo é essencialmente equivalente ao modelo original, com a mesma função de partição e permitindo a recuperação dos marginais originais ou uma conformação MAP, mas pode ter propriedades computacionais muito diferentes que permitem inferência muito mais eficiente. Esta meta-abordagem aprofunda nossa compreensão, pode ser aplicada a qualquer algoritmo existente para produzir métodos melhorados na prática, generaliza resultados teóricos anteriores e revela uma interpretação notável do politopo consistente em triplets. Mostramos como métodos de aprendizagem profundos podem ser aplicados no contexto do crowdsourcing e da aprendizagem de conjunto não supervisionada. Primeiro, nós provamos que o modelo popular de Dawid e Skene, que assume que todos os classificadores são condicionalmente independentes, é a uma Máquina Restrita de Boltzmann (RBM) com um único nó oculto. Assim, sob este modelo, as probabilidades posteriores dos rótulos verdadeiros podem ser estimadas através de um RBM treinado. Em seguida, para abordar o caso mais geral, onde os classificadores podem violar fortemente a suposição de independência condicional, propomos aplicar RBM Deep Neural Net (DNN). Os resultados experimentais em vários conjuntos de dados simulados e do mundo real demonstram que a nossa proposta DNN supera outros métodos de ponta, em particular quando os dados violam a suposição de independência condicional. Revisitando a aprendizagem semi-supervisionada com incorporações de gráficos Zhilin Yang Carnegie Mellon University. William Cohen CMU. Ruslan Salakhudinov U. de Toronto Resumo do LivroEstamos apresentando um quadro de aprendizagem semi-supervisionado baseado em embeddings de gráficos. Dado um gráfico entre instâncias, treinamos uma incorporação para cada instância para prever conjuntamente o rótulo de classe e o contexto de vizinhança no gráfico. Desenvolvemos tanto variantes transdutivas como indutivas do nosso método. Na variante transductiva do nosso método, os rótulos de classe são determinados tanto pelos embeddings aprendidos como pelos vetores de recursos de entrada, enquanto que na variante indutiva, os embeddings são definidos como uma função paramétrica dos vetores de recurso, assim as previsões podem ser feitas em instâncias não Durante o treinamento. Em um conjunto grande e diverso de tarefas de benchmark, incluindo classificação de texto, extração de entidade supervisionada de forma distante e classificação de entidade, mostramos melhor desempenho em relação a muitos dos modelos existentes. Aprendizagem de reforço pode adquirir comportamentos complexos a partir de especificações de alto nível. No entanto, a definição de uma função de custo que pode ser otimizada efetivamente e codifica a tarefa correta é um desafio na prática. Nós exploramos como controle inverso ideal (IOC) pode ser usado para aprender comportamentos de demonstrações, com aplicações para controle de torque de sistemas robóticos de alta dimensionalidade. Nosso método aborda dois desafios-chave no controle ótimo inverso: primeiro, a necessidade de recursos informativos e regularização eficaz para impor estrutura sobre o custo, e segundo, a dificuldade de aprender a função de custo sob dinâmica desconhecida para sistemas contínuos de alta dimensão. Para abordar o desafio anterior, apresentamos um algoritmo capaz de aprender funções arbitrárias de custos não-lineares, tais como redes neurais, sem engenharia de características meticulosa. Para resolver este último desafio, formulamos uma aproximação eficiente baseada em amostras para o MaxEnt IOC. Nós avaliamos nosso método em uma série de tarefas simuladas e problemas de manipulação robótica do mundo real, demonstrando uma melhoria substancial em relação aos métodos anteriores, tanto em termos de complexidade da tarefa quanto de eficiência da amostra. No aprendizado de modelos de variáveis latentes (LVMs), é importante capturar efetivamente padrões infreqüentes e reduzir o tamanho do modelo sem sacrificar o poder de modelagem. Vários estudos foram feitos para 8220diversify8221 um LVM, que visam aprender um conjunto diversificado de componentes latentes em LVMs. A maioria dos estudos existentes se enquadra em um quadro de regularização freqüentista, onde os componentes são aprendidos através de estimativa pontual. Neste artigo, investigamos como 8220diversificar8221 LVMs no paradigma da aprendizagem bayesiana, que tem vantagens complementares à estimativa pontual, como o alívio da superalimentação através da média do modelo e da quantificação da incerteza. Propomos duas abordagens que apresentam vantagens complementares. Uma delas é definir os priores angulares mútuos que promovem a diversidade, que atribuem maior densidade a componentes com ângulos mútuos maiores baseados na rede Bayesiana e na distribuição de von Mises-Fisher e utilizam esses priores para afetar a regra posterior de Bayes. Desenvolvemos dois algoritmos eficientes de inferência posterior aproximada com base na inferência variacional e na amostragem de Monte Carlo em cadeia de Markov. A outra abordagem é impor diretamente a regularização da promoção da diversidade sobre a distribuição pós-dados dos componentes. Estes dois métodos são aplicados ao modelo Bayesian mistura de especialistas para incentivar o 8220experts8221 a ser diversos e resultados experimentais demonstram a eficácia ea eficiência dos nossos métodos. A regressão não paramétrica dimensional elevada é um problema intrinsecamente difícil com os limites inferiores conhecidos dependendo exponencialmente da dimensão. Uma estratégia popular para aliviar esta maldição da dimensionalidade tem sido usar modelos aditivos de emph, que modelam a função de regressão como uma soma de funções independentes em cada dimensão. Embora útil para controlar a variância da estimativa, esses modelos são frequentemente demasiado restritivos em contextos práticos. Entre modelos não-aditivos que muitas vezes têm variância grande e modelos aditivos de primeira ordem que têm grande viés, tem havido pouco trabalho para explorar o trade-off no meio através de modelos aditivos de ordem intermediária. Neste trabalho, propomos a salsa, que elimina essa lacuna ao permitir interações entre variáveis, mas controla a capacidade do modelo limitando a ordem das interações. Salsas minimiza a soma residual de quadrados com as penalidades de quadrado RKHS norma. Algoritmicamente, pode ser visto como Kernel Ridge Regression com um kernel aditivo. Quando a função de regressão é aditiva, o excesso de risco é apenas polinomial em dimensão. Usando as fórmulas de Girard-Newton, eficientemente somamos um número combinatório de termos na expansão aditiva. Através de uma comparação em 15 conjuntos de dados reais, mostramos que nosso método é competitivo contra outras 21 alternativas. Propomos uma extensão aos processos de Hawkes, tratando os níveis de auto-excitação como uma equação diferencial estocástica. Nosso novo processo de pontos permite uma melhor aproximação em domínios de aplicação onde eventos e intensidades se aceleram mutuamente com níveis correlacionados de contágio. Nós generalizamos um algoritmo recente para simular draws de processos de Hawkes cujos níveis de excitação são processos estocásticos, e propomos uma abordagem híbrida Monte Carlo de cadeia de Markov para ajuste de modelo. Nosso procedimento de amostragem escala linearmente com o número de eventos requeridos e não requer a estacionariedade do processo pontual. Um procedimento de inferência modular consistindo de uma combinação entre os passos Gibbs e Metropolis Hastings é apresentado. Recuperamos a maximização de expectativas como um caso especial. Nossa abordagem geral é ilustrada para o contágio seguindo o movimento browniano geométrico e a dinâmica exponencial de Langevin. Os sistemas de agregação de rank coletam preferências ordinais de indivíduos para produzir uma classificação global que representa a preferência social. Para reduzir a complexidade computacional de aprendizagem do ranking global, uma prática comum é usar a quebra de rank. As preferências dos indivíduos são quebradas em comparações pairwise e aplicadas então aos algoritmos eficientes costurados para comparações pairwise independentes. Entretanto, devido às dependências ignoradas, abordagens ingênuas de quebra de classificação podem resultar em estimativas inconsistentes. A idéia-chave para produzir estimativas imparciais e precisas é tratar os resultados das comparações pareadas de forma desigual, dependendo da topologia dos dados coletados. Neste artigo, fornecemos o melhor estimador de pontuação, que não só consegue consistência, mas também obtém o melhor limite de erros. Isso nos permite caracterizar a compensação fundamental entre precisão e complexidade em alguns cenários canônicos. Além disso, identificamos como a precisão depende do intervalo espectral de um gráfico de comparação correspondente. Destilação da desistência Samuel Rota Bul FBK. Lorenzo Porzi FBK. Peter Kontschieder Microsoft Research Cambridge Resumo de papelDropout é uma técnica de regularização estocástica popular para redes neurais profundas que trabalha ao eliminar aleatoriamente (ou seja, zeroing) unidades da rede durante o treinamento. Este processo de randomização permite treinar implicitamente um conjunto exponencial de muitas redes compartilhando a mesma parametrização, que deve ser média no tempo de teste para entregar a predição final. Uma solução alternativa típica para esta operação de média intratável consiste em escalonar as camadas que sofrem aleatorização de abandono. Esta regra simples chamada 8216standard dropout8217 é eficiente, mas pode degradar a precisão da previsão. Neste trabalho, introduzimos uma abordagem inovadora, denominada 8216desenvolvimentodesenvolvimento8217, que nos permite treinar um preditor de forma a aproximar melhor o processo de cálculo de média intratável, mas preferível, mantendo sob controle sua eficiência computacional. Podemos assim construir modelos que são tão eficientes quanto o abandono padrão, ou até mais eficientes, sendo mais precisos. Experiências em conjuntos de dados padrão de referência demonstram a validade do nosso método, produzindo melhorias consistentes em relação ao abandono convencional. Mensagens anônimas conscientes dos metadados Giulia Fanti UIUC. Peter Kairouz UIUC. Sewoong Oh UIUC. Kannan Ramchandran UC Berkeley. As plataformas de mensagens anônimas como Whisper e Yik Yak permitem que os usuários espalhem mensagens através de uma rede (por exemplo, uma rede social) sem revelar a autoria da mensagem a outros usuários. A disseminação de mensagens nessas plataformas pode ser modelada por um processo de difusão sobre um gráfico. Os recentes avanços na análise de redes revelaram que tais processos de difusão são vulneráveis à desaninimização de autores por parte de adversários com acesso a metadados, como informações de cronometragem. Neste trabalho, fazemos a questão fundamental de como propagar mensagens anônimas sobre um gráfico para dificultar a inferência da fonte. Em particular, estudamos o desempenho de um protocolo de propagação de mensagens chamado difusão adaptativa introduzido em (Fanti et al., 2015). Demonstramos que quando o adversário tem acesso a metadados em uma fração de nós de gráficos corrompidos, a difusão adaptativa consegue uma cobertura assintótica de fonte ótima e supera significativamente a difusão padrão. Demonstramos ainda empiricamente que a difusão adaptativa oculta efetivamente a fonte em redes sociais reais. A Dimensão Ensino de Estudantes Lineares Ji Liu Universidade de Rochester. Xiaojin Zhu Universidade de Wisconsin. Hrag Ohannessian Universidade de Wisconsin-Madison Paper AbstractTeaching dimensão é uma quantidade de aprendizagem teórica que especifica o tamanho mínimo conjunto de treinamento para ensinar um modelo-alvo para um aluno. Estudos anteriores sobre a dimensão do ensino centraram-se em aprendizes de espaço de versão que mantêm todas as hipóteses consistentes com os dados de treinamento, e não podem ser aplicadas a alunos de máquinas modernas que selecionam uma hipótese específica por meio da otimização. Este artigo apresenta a primeira dimensão de ensino conhecida para regressão de cume, máquinas de vetores de suporte e regressão logística. Também exibimos ótimos conjuntos de treinamento que combinam com essas dimensões de ensino. Nossa abordagem se generaliza para outros aprendizes lineares. Estimadores Univariados Verdadeiros Ioannis Caragiannis Universidade de Patras. Ariel Procaccia Universidade Carnegie Mellon. Nisarg Shah Carnegie Universidade de Mellon Papel ResumoVamos revisitar o clássico problema de estimar a média populacional de uma distribuição unidimensional desconhecida a partir de amostras, tomando um ponto de vista teórico-lógico. Em nosso meio, as amostras são fornecidas por agentes estratégicos, que desejam puxar a estimativa o mais próximo possível do seu próprio valor. Neste cenário, a média da amostra dá origem a oportunidades de manipulação, enquanto a mediana da amostra não. Nossa pergunta chave é se a mediana da amostra é a melhor (na medida do erro quadrático médio) estimador veraz da média da população. Mostramos que quando a distribuição subjacente é simétrica, há estimadores verdadeiros que dominam a mediana. Nosso principal resultado é uma caracterização dos piores estimadores verdadeiros ótimos, que comprovadamente superam a mediana, para distribuições possivelmente assimétricas com suporte limitado. Por que auto-codificadores regularizados aprender Sparse Representation Devansh Arpit SUNY Buffalo. Yingbo Zhou SUNY Búfalo. Hung Ngo SUNY Búfalo. Venu Govindaraju SUNY Papel Buffalo AbstractSparse representação distribuída é a chave para aprender características úteis em algoritmos de aprendizagem profunda, porque não só é um modo eficiente de representação de dados, mas também captura o processo de geração da maioria dos dados do mundo real. Enquanto um número de auto-codificadores regularizados (AE) reforçam a escassez explicitamente em sua representação aprendida e outros don8217t, tem havido pouca análise formal sobre o que incentiva a escassez nestes modelos em geral. Nosso objetivo é estudar formalmente este problema geral para os auto-codificadores regularizados. Nós fornecemos condições suficientes tanto em funções de regularização como de ativação que encorajam a escassez. Mostramos que vários modelos populares (descodificadores e contra-codificadores automáticos, por exemplo) e activações (rectificados lineares e sigmóides, por exemplo) satisfazem estas condições assim, as nossas condições ajudam a explicar a escassez na sua representação aprendida. Assim, a nossa análise teórica e empírica, em conjunto, lançam luz sobre as propriedades da ativação da regularização que são condutoras da esparsidade e unificam um número de modelos de auto-encoders existentes e funções de ativação sob a mesma estrutura analítica. K-variates: mais vantagens no k-significa Richard Nock Nicta 038 ANU. Raphael Canyasse Ecole Polytechnique e o Technion. Roksana Boreli Data61. Frank Nielsen Ecole Polytechnique e Sony CS Labs Inc. Papel Abstractk-significa semear tornou-se um padrão de fato para algoritmos de clustering rígido. Neste trabalho, a nossa primeira contribuição é uma generalização bidireccional desta semente, k-variates, que inclui a amostragem de densidades gerais em vez de apenas um conjunto discreto de densidades de Dirac ancoradas nas localizações de pontos, textit uma generalização do bem conhecido Arthur-Vassilvitskii (AV), sob a forma de um limite de aproximação textit do óptimo textit. Esta aproximação exibe uma dependência reduzida do componente 8220noise8221 em relação ao potencial óptimo 8212 que se aproxima efectivamente do limite inferior estatístico. Mostramos que k-variates textit para algoritmos de clustering eficientes (semiestras tendenciosas) adaptados a frameworks específicos, incluindo distribuição, streaming e clustering on-line, com resultados de aproximação textit para esses algoritmos. Finalmente, apresentamos uma nova aplicação de k-variates à privacidade diferencial. Para os enquadramentos específicos aqui considerados ou para a configuração de privacidade diferencial, há pouco ou nenhum resultado prévio sobre a aplicação directa de meios k e os seus limites de aproximação 8212 estado da arte contendores parecem ser significativamente mais complexos ou exibir menos Favoráveis (aproximação). Ressaltamos que nossos algoritmos ainda podem ser executados em casos onde exista uma solução de forma fechada textit para o minimizador de população. Demonstramos a aplicabilidade da nossa análise através de avaliação experimental em vários domínios e configurações, apresentando desempenhos competitivos vs estado da técnica. Multi-Player Bandits 8212 uma Cadeiras Musical abordagem Jonathan Rosenski Weizmann Institute of Science. Ohad Shamir Weizmann Instituto de Ciência. Liran Szlak Weizmann Instituto de Ciência Papel Resumo Consideramos uma variante do problema estocástico de bandidos multi-armados, onde múltiplos jogadores simultaneamente escolhem do mesmo conjunto de braços e podem colidir, não recebendo nenhuma recompensa. Esta configuração tem sido motivada por problemas que surgem nas redes de rádio cognitivas e é especialmente desafiadora sob o pressuposto realista de que a comunicação entre os jogadores é limitada. Nós fornecemos um algoritmo de comunicação livre (cadeiras musicais) que atinge arrependimento constante com alta probabilidade, bem como um sublinear-regret, comunicação livre algoritmo (Dynamic Musical Chairs) para o ajuste mais difícil de jogadores dinamicamente entrar e sair durante todo o jogo . Além disso, ambos os algoritmos não requerem conhecimento prévio do número de jogadores. Até onde sabemos, estes são os primeiros algoritmos livres de comunicação com esses tipos de garantias formais. O Peneira de Informação Greg Ver Steeg Instituto de Ciências da Informação. Aram Galstyan Instituto de Ciências da Informação ResumoPrimeiroIntroduzimos uma nova estrutura para a aprendizagem não supervisionada de representações baseadas em uma nova decomposição hierárquica da informação. Intuitivamente, os dados são passados através de uma série de crivos de grão fino progressivamente. Cada camada da peneira recupera um único fator latente que é maximamente informativo sobre a dependência multivariada nos dados. Os dados são transformados após cada passagem de forma que a informação inexplicável restante escorre para a próxima camada. Em última análise, ficamos com um conjunto de fatores latentes explicando toda a dependência dos dados originais e restante informações consistindo de ruído independente. Apresentamos uma implementação prática dessa estrutura para variáveis discretas e aplicamo-la a uma variedade de tarefas fundamentais na aprendizagem não supervisionada, incluindo análise de componentes independentes, compressão com perda e sem perdas e previsão de valores em falta nos dados. Deep Speech 2. Reconhecimento de Fala End-to-End em Inglês e Mandarim Dario Amodei. Rishita Anubhai. Eric Battenberg. Carl Case. Jared Casper. Bryan Catanzaro. JingDong Chen. Mike Chrzanowski Baidu USA, Inc. Adam Coates. Greg Diamos Baidu USA, Inc. Erich Elsen Baidu USA, Inc.. Jesse Engel. Fan Linxi. Christopher Fougner. Awni Hannun Baidu USA, Inc. Billy Jun. Tony Han. Patrick LeGresley. Xiangang Li Baidu. Libby Lin. Sharan Narang. Andrew Ng. Sherjil Ozair. Ryan Prenger. Sheng Qian Baidu. Jonathan Raiman. Sanjeev Satheesh Baidu SVAIL. David Seetapun. Shubho Sengupta. Chong Wang. Yi Wang. Zhiqian Wang. Bo Xiao. Yan Xie Baidu. Dani Yogatama. Jun Zhan. Zhenyao Zhu Paper ResumoEstamos mostrando que uma abordagem de aprendizagem profunda de ponta a ponta pode ser usada para reconhecer idiomas ingleses ou mandarim, muito diferentes. Devido ao fato de substituir porções inteiras de componentes projetados manualmente com redes neurais, a aprendizagem de ponta a ponta nos permite lidar com uma variedade diversificada de fala, incluindo ambientes ruidosos, sotaques e diferentes idiomas. A chave para a nossa abordagem é a nossa aplicação de técnicas de HPC, permitindo experiências que levaram semanas para funcionar em dias. Isso nos permite iterar mais rapidamente para identificar arquiteturas e algoritmos superiores. Como resultado, em vários casos, nosso sistema é competitivo com a transcrição de trabalhadores humanos quando comparados em conjuntos de dados padrão. Finalmente, usando uma técnica chamada Batch Dispatch com GPUs no centro de dados, mostramos que nosso sistema pode ser implantado de forma barata em uma configuração on-line, oferecendo baixa latência ao servir usuários em escala. Uma questão importante na seleção de recursos é se uma estratégia de seleção recupera o conjunto de recursos 8220true8221, dados dados suficientes. Estudamos esta questão no contexto da estratégia popular de selecção de funcionalidades do Lose Absolute Shrinkage and Selection Operator (Lasso). Em particular, consideramos o cenário quando o modelo é mal especificado para que o modelo aprendido seja linear enquanto o alvo real subjacente não é linear. Surpreendentemente, nós provamos que sob certas condições, Lasso ainda é capaz de recuperar as características corretas neste caso. Também realizamos estudos numéricos para verificar empiricamente os resultados teóricos e explorar a necessidade das condições sob as quais a prova se sustenta. Propomos a busca mínima de arrependimento (MRS), uma nova função de aquisição para a otimização bayesiana. A MRS tem semelhanças com abordagens teóricas da informação, como a busca de entropia (ES). No entanto, enquanto a ES visa em cada consulta para maximizar o ganho de informação em relação ao máximo global, MRS visa minimizar o simples lamento esperado de sua recomendação final para o melhor. Enquanto empiricamente ES e MRS executar semelhante na maioria dos casos, MRS produz menos outliers com grande pesar simples do que ES. Nós fornecemos resultados empíricos tanto para um problema de otimização de uma única tarefa-sintética como para um problema de controle robótico multi-tarefa simulado. CryptoNets: Aplicação de redes neurais a dados criptografados com alta produtividade e precisão Ran Gilad-Bachrach Microsoft Research. Nathan Dowlin Princeton. Kim Laine Microsoft Research. Kristin Lauter Pesquisa da Microsoft. Michael Naehrig Pesquisa da Microsoft. John Wernsing Microsoft Research Paper ResumoAplicar a aprendizagem da máquina a um problema que envolve dados médicos, financeiros ou outros tipos de dados sensíveis, não só requer previsões precisas, mas também atenção cuidadosa à manutenção da privacidade e segurança dos dados. Requisitos legais e éticos podem impedir o uso de soluções de aprendizado de máquinas baseadas em nuvem para essas tarefas. Neste trabalho, apresentaremos um método para converter redes neurais aprendidas em CryptoNets, redes neurais que podem ser aplicadas a dados criptografados. Isso permite que um proprietário de dados envie seus dados de forma criptografada para um serviço em nuvem que hospeda a rede. A criptografia garante que os dados permaneçam confidenciais, uma vez que a nuvem não tem acesso às chaves necessárias para descriptografar. No entanto, mostraremos que o serviço em nuvem é capaz de aplicar a rede neural aos dados criptografados para fazer previsões criptografadas e também devolvê-los em formato criptografado. Essas previsões criptografadas podem ser enviadas de volta ao proprietário da chave secreta que pode descriptografá-las. Portanto, o serviço em nuvem não obtém nenhuma informação sobre os dados brutos nem sobre a previsão feita. Demonstramos CryptoNets sobre as tarefas de reconhecimento de caractere óptico MNIST. CryptoNets alcançar 99 precisão e pode fazer cerca de 59000 previsões por hora em um único PC. Portanto, eles permitem altas produções, precisas e previsões privadas. Os métodos espectrais para a redução da dimensionalidade e agrupamento requerem a resolução de um problema próprio definido por uma matriz de afinidade esparsa. Quando esta matriz é grande, procura-se uma solução aproximada. A maneira padrão de fazer isso é o método Nystrom, que primeiro resolve um pequeno problema próprio considerando apenas um subconjunto de pontos de referência e, em seguida, aplica uma fórmula fora da amostra para extrapolar a solução para todo o conjunto de dados. Nós mostramos que ao restringir o problema original para satisfazer a fórmula de Nystrom, obtemos uma aproximação que é computacionalmente simples e eficiente, mas obtém um erro de aproximação menor usando menos marcos e menos tempo de execução. Também estudamos o papel da normalização no custo computacional e na qualidade da solução resultante. Como uma ativação não-linear amplamente utilizada, a Unidade Linear Rectificada (ReLU) separa ruído e sinal em um mapa de características, aprendendo um limiar ou viés. No entanto, argumentamos que a classificação de ruído e sinal não depende apenas da magnitude das respostas, mas também o contexto de como as respostas de recurso seria usado para detectar padrões mais abstratos em camadas mais altas. Para produzir vários mapas de resposta com magnitude em intervalos diferentes para um padrão visual particular, as redes existentes que empregam ReLU e suas variantes têm que aprender um grande número de filtros redundantes. Neste artigo, propomos uma camada de ativação não linear multi-bias (MBA) para explorar as informações ocultas nas magnitudes das respostas. Ele é colocado após a camada de convolução para desacoplar as respostas a um núcleo de convolução em vários mapas por multi-thresholding magnitudes, gerando assim mais padrões no espaço de recursos a um baixo custo computacional. Ele fornece grande flexibilidade de selecionar respostas para padrões visuais diferentes em diferentes faixas de magnitude para formar representações ricas em camadas mais altas. Um esquema tão simples e eficiente atinge o desempenho de ponta em vários benchmarks. Nós propomos um novo método de aprendizagem multitarefa que pode minimizar o efeito da transferência negativa, permitindo a transferência assimétrica entre as tarefas com base na relação de tarefas, bem como a quantidade de perdas de tarefas individuais, que chamamos de Aprendizagem Simétrica Multitarefa (AMTL ). Para resolver este problema, nós acoplamos várias tarefas através de um gráfico de regularização esparsa, direcionado, que impõe que cada parâmetro de tarefa seja reconstruído como uma combinação esparsa de outras tarefas, que são selecionadas com base na perda de tarefas. Apresentamos dois algoritmos diferentes para resolver esta aprendizagem conjunta dos preditores de tarefas e do gráfico de regularização. O primeiro algoritmo resolve o objetivo de aprendizagem original usando otimização alternativa, eo segundo algoritmo resolve uma aproximação dele usando a estratégia de aprendizado do currículo, que aprende uma tarefa de cada vez. Realizamos experimentos em múltiplos conjuntos de dados para classificação e regressão, nos quais obtemos melhorias significativas no desempenho sobre a aprendizagem de tarefa única e as linhas de base simétricas de aprendizagem multitarefa. Este artigo ilustra uma nova abordagem para a estimação do erro de generalização de classificadores de árvore de decisão. Nós apresentamos o estudo de erros de árvore de decisão no contexto da teoria de análise de consistência, que provou que o erro de Bayes só pode ser alcançado se quando o número de amostras de dados lançadas em cada nó folha vai para o infinito. Para o caso mais desafiador e prático onde o tamanho da amostra é finito ou pequeno, um novo termo de erro de amostragem é introduzido neste trabalho para lidar com o pequeno problema de amostra de forma eficaz e eficiente. Resultados experimentais extensivos mostram que a estimativa de erro proposta é superior aos métodos de validação cruzada de K-fold bem conhecidos em termos de robustez e precisão. Além disso, as ordens de grandeza são mais eficientes do que os métodos de validação cruzada. Estudamos as propriedades de convergência do algoritmo VR-PCA introduzido por cite para computação rápida de vetores singulares. Nós provamos vários novos resultados, incluindo uma análise formal de uma versão em bloco do algoritmo e convergência de inicialização aleatória. Também fazemos algumas observações de interesse independente, como como a pré-inicialização com apenas uma única iteração de potência exata pode melhorar significativamente a análise e quais são as propriedades de convexidade e não convexidade do problema de otimização subjacente. Consideramos o problema da análise de componentes principais (PCA) em um ambiente estocástico de streaming, onde nosso objetivo é encontrar uma direção de variação máxima aproximada, com base em um fluxo de i. i.d. Pontos de dados em realsd. Um algoritmo simples e computacionalmente barato para isso é a descida gradiente estocástica (SGD), que atualiza incrementalmente sua estimativa com base em cada novo ponto de dados. No entanto, devido à natureza não-convexa do problema, analisar o seu desempenho tem sido um desafio. Em particular, as garantias existentes dependem de uma suposição de eigengap não-trivial sobre a matriz de covariância, que é intuitivamente desnecessária. Neste artigo, fornecemos (segundo nosso melhor conhecimento) as primeiras garantias de convergência sem eigengap para o SGD no contexto do PCA. Isso também resolve parcialmente um problema aberto apresentado em citar. Além disso, sob uma suposição eigengap, mostramos que as mesmas técnicas levam a novas garantias de convergência SGD com melhor dependência do eigengap. Dealbreaker: Um modelo não linear linear variável para dados educacionais Andrew Lan Rice University. Tom Goldstein Universidade de Maryland. Richard Baraniuk Universidade do Arroz. Christoph Studer Cornell University Paper AbstractStatistical models of student responses on assessment questions, such as those in homeworks and exams, enable educators and computer-based personalized learning systems to gain insights into students knowledge using machine learning. Popular student-response models, including the Rasch model and item response theory models, represent the probability of a student answering a question correctly using an affine function of latent factors. While such models can accurately predict student responses, their ability to interpret the underlying knowledge structure (which is certainly nonlinear) is limited. In response, we develop a new, nonlinear latent variable model that we call the dealbreaker model, in which a students success probability is determined by their weakest concept mastery. We develop efficient parameter inference algorithms for this model using novel methods for nonconvex optimization. We show that the dealbreaker model achieves comparable or better prediction performance as compared to affine models with real-world educational datasets. We further demonstrate that the parameters learned by the dealbreaker model are interpretablethey provide key insights into which concepts are critical (i. e. the dealbreaker) to answering a question correctly. We conclude by reporting preliminary results for a movie-rating dataset, which illustrate the broader applicability of the dealbreaker model. We derive a new discrepancy statistic for measuring differences between two probability distributions based on combining Stein8217s identity and the reproducing kernel Hilbert space theory. We apply our result to test how well a probabilistic model fits a set of observations, and derive a new class of powerful goodness-of-fit tests that are widely applicable for complex and high dimensional distributions, even for those with computationally intractable normalization constants. Both theoretical and empirical properties of our methods are studied thoroughly. Variable Elimination in the Fourier Domain Yexiang Xue Cornell University . Stefano Ermon . Ronan Le Bras Cornell University . Carla . Bart Paper AbstractThe ability to represent complex high dimensional probability distributions in a compact form is one of the key insights in the field of graphical models. Factored representations are ubiquitous in machine learning and lead to major computational advantages. We explore a different type of compact representation based on discrete Fourier representations, complementing the classical approach based on conditional independencies. We show that a large class of probabilistic graphical models have a compact Fourier representation. This theoretical result opens up an entirely new way of approximating a probability distribution. We demonstrate the significance of this approach by applying it to the variable elimination algorithm. Compared with the traditional bucket representation and other approximate inference algorithms, we obtain significant improvements. Low-rank matrix approximation has been widely adopted in machine learning applications with sparse data, such as recommender systems. However, the sparsity of the data, incomplete and noisy, introduces challenges to the algorithm stability 8212 small changes in the training data may significantly change the models. As a result, existing low-rank matrix approximation solutions yield low generalization performance, exhibiting high error variance on the training dataset, and minimizing the training error may not guarantee error reduction on the testing dataset. In this paper, we investigate the algorithm stability problem of low-rank matrix approximations. We present a new algorithm design framework, which (1) introduces new optimization objectives to guide stable matrix approximation algorithm design, and (2) solves the optimization problem to obtain stable low-rank approximation solutions with good generalization performance. Experimental results on real-world datasets demonstrate that the proposed work can achieve better prediction accuracy compared with both state-of-the-art low-rank matrix approximation methods and ensemble methods in recommendation task. Given samples from two densities p and q, density ratio estimation (DRE) is the problem of estimating the ratio pq. Two popular discriminative approaches to DRE are KL importance estimation (KLIEP), and least squares importance fitting (LSIF). In this paper, we show that KLIEP and LSIF both employ class-probability estimation (CPE) losses. Motivated by this, we formally relate DRE and CPE, and demonstrate the viability of using existing losses from one problem for the other. For the DRE problem, we show that essentially any CPE loss (eg logistic, exponential) can be used, as this equivalently minimises a Bregman divergence to the true density ratio. We show how different losses focus on accurately modelling different ranges of the density ratio, and use this to design new CPE losses for DRE. For the CPE problem, we argue that the LSIF loss is useful in the regime where one wishes to rank instances with maximal accuracy at the head of the ranking. In the course of our analysis, we establish a Bregman divergence identity that may be of independent interest. We study nonconvex finite-sum problems and analyze stochastic variance reduced gradient (SVRG) methods for them. SVRG and related methods have recently surged into prominence for convex optimization given their edge over stochastic gradient descent (SGD) but their theoretical analysis almost exclusively assumes convexity. In contrast, we prove non-asymptotic rates of convergence (to stationary points) of SVRG for nonconvex optimization, and show that it is provably faster than SGD and gradient descent. We also analyze a subclass of nonconvex problems on which SVRG attains linear convergence to the global optimum. We extend our analysis to mini-batch variants of SVRG, showing (theoretical) linear speedup due to minibatching in parallel settings. Hierarchical Variational Models Rajesh Ranganath . Dustin Tran Columbia University . Blei David Columbia Paper AbstractBlack box variational inference allows researchers to easily prototype and evaluate an array of models. Recent advances allow such algorithms to scale to high dimensions. However, a central question remains: How to specify an expressive variational distribution that maintains efficient computation To address this, we develop hierarchical variational models (HVMs). HVMs augment a variational approximation with a prior on its parameters, which allows it to capture complex structure for both discrete and continuous latent variables. The algorithm we develop is black box, can be used for any HVM, and has the same computational efficiency as the original approximation. We study HVMs on a variety of deep discrete latent variable models. HVMs generalize other expressive variational distributions and maintains higher fidelity to the posterior. The field of mobile health (mHealth) has the potential to yield new insights into health and behavior through the analysis of continuously recorded data from wearable health and activity sensors. In this paper, we present a hierarchical span-based conditional random field model for the key problem of jointly detecting discrete events in such sensor data streams and segmenting these events into high-level activity sessions. Our model includes higher-order cardinality factors and inter-event duration factors to capture domain-specific structure in the label space. We show that our model supports exact MAP inference in quadratic time via dynamic programming, which we leverage to perform learning in the structured support vector machine framework. We apply the model to the problems of smoking and eating detection using four real data sets. Our results show statistically significant improvements in segmentation performance relative to a hierarchical pairwise CRF. Binary embeddings with structured hashed projections Anna Choromanska Courant Institute, NYU . Krzysztof Choromanski Google Research NYC . Mariusz Bojarski NVIDIA . Tony Jebara Columbia . Sanjiv Kumar . Yann Paper AbstractWe consider the hashing mechanism for constructing binary embeddings, that involves pseudo-random projections followed by nonlinear (sign function) mappings. The pseudorandom projection is described by a matrix, where not all entries are independent random variables but instead a fixed budget of randomness is distributed across the matrix. Such matrices can be efficiently stored in sub-quadratic or even linear space, provide reduction in randomness usage (i. e. number of required random values), and very often lead to computational speed ups. We prove several theoretical results showing that projections via various structured matrices followed by nonlinear mappings accurately preserve the angular distance between input high-dimensional vectors. To the best of our knowledge, these results are the first that give theoretical ground for the use of general structured matrices in the nonlinear setting. In particular, they generalize previous extensions of the Johnson - Lindenstrauss lemma and prove the plausibility of the approach that was so far only heuristically confirmed for some special structured matrices. Consequently, we show that many structured matrices can be used as an efficient information compression mechanism. Our findings build a better understanding of certain deep architectures, which contain randomly weighted and untrained layers, and yet achieve high performance on different learning tasks. We empirically verify our theoretical findings and show the dependence of learning via structured hashed projections on the performance of neural network as well as nearest neighbor classifier. A Variational Analysis of Stochastic Gradient Algorithms Stephan Mandt Columbia University . Matthew Hoffman Adobe Research . Blei David Columbia Paper AbstractStochastic Gradient Descent (SGD) is an important algorithm in machine learning. With constant learning rates, it is a stochastic process that, after an initial phase of convergence, generates samples from a stationary distribution. We show that SGD with constant rates can be effectively used as an approximate posterior inference algorithm for probabilistic modeling. Specifically, we show how to adjust the tuning parameters of SGD such as to match the resulting stationary distribution to the posterior. This analysis rests on interpreting SGD as a continuous-time stochastic process and then minimizing the Kullback-Leibler divergence between its stationary distribution and the target posterior. (This is in the spirit of variational inference.) In more detail, we model SGD as a multivariate Ornstein-Uhlenbeck process and then use properties of this process to derive the optimal parameters. This theoretical framework also connects SGD to modern scalable inference algorithms we analyze the recently proposed stochastic gradient Fisher scoring under this perspective. We demonstrate that SGD with properly chosen constant rates gives a new way to optimize hyperparameters in probabilistic models. This paper proposes a new mechanism for sampling training instances for stochastic gradient descent (SGD) methods by exploiting any side-information associated with the instances (for e. g. class-labels) to improve convergence. Previous methods have either relied on sampling from a distribution defined over training instances or from a static distribution that fixed before training. This results in two problems a) any distribution that is set apriori is independent of how the optimization progresses and b) maintaining a distribution over individual instances could be infeasible in large-scale scenarios. In this paper, we exploit the side information associated with the instances to tackle both problems. More specifically, we maintain a distribution over classes (instead of individual instances) that is adaptively estimated during the course of optimization to give the maximum reduction in the variance of the gradient. Intuitively, we sample more from those regions in space that have a textit gradient contribution. Our experiments on highly multiclass datasets show that our proposal converge significantly faster than existing techniques. Tensor regression has shown to be advantageous in learning tasks with multi-directional relatedness. Given massive multiway data, traditional methods are often too slow to operate on or suffer from memory bottleneck. In this paper, we introduce subsampled tensor projected gradient to solve the problem. Our algorithm is impressively simple and efficient. It is built upon projected gradient method with fast tensor power iterations, leveraging randomized sketching for further acceleration. Theoretical analysis shows that our algorithm converges to the correct solution in fixed number of iterations. The memory requirement grows linearly with the size of the problem. We demonstrate superior empirical performance on both multi-linear multi-task learning and spatio-temporal applications. This paper presents a novel distributed variational inference framework that unifies many parallel sparse Gaussian process regression (SGPR) models for scalable hyperparameter learning with big data. To achieve this, our framework exploits a structure of correlated noise process model that represents the observation noises as a finite realization of a high-order Gaussian Markov random process. By varying the Markov order and covariance function for the noise process model, different variational SGPR models result. This consequently allows the correlation structure of the noise process model to be characterized for which a particular variational SGPR model is optimal. We empirically evaluate the predictive performance and scalability of the distributed variational SGPR models unified by our framework on two real-world datasets. Online Stochastic Linear Optimization under One-bit Feedback Lijun Zhang Nanjing University . Tianbao Yang University of Iowa . Rong Jin Alibaba Group . Yichi Xiao Nanjing University . Zhi-hua Zhou Paper AbstractIn this paper, we study a special bandit setting of online stochastic linear optimization, where only one-bit of information is revealed to the learner at each round. This problem has found many applications including online advertisement and online recommendation. We assume the binary feedback is a random variable generated from the logit model, and aim to minimize the regret defined by the unknown linear function. Although the existing method for generalized linear bandit can be applied to our problem, the high computational cost makes it impractical for real-world applications. To address this challenge, we develop an efficient online learning algorithm by exploiting particular structures of the observation model. Specifically, we adopt online Newton step to estimate the unknown parameter and derive a tight confidence region based on the exponential concavity of the logistic loss. Our analysis shows that the proposed algorithm achieves a regret bound of O(dsqrt ), which matches the optimal result of stochastic linear bandits. We present an adaptive online gradient descent algorithm to solve online convex optimization problems with long-term constraints, which are constraints that need to be satisfied when accumulated over a finite number of rounds T, but can be violated in intermediate rounds. For some user-defined trade-off parameter beta in (0, 1), the proposed algorithm achieves cumulative regret bounds of O(Tmax ) and O(T ), respectively for the loss and the constraint violations. Our results hold for convex losses, can handle arbitrary convex constraints and rely on a single computationally efficient algorithm. Our contributions improve over the best known cumulative regret bounds of Mahdavi et al. (2012), which are respectively O(T12) and O(T34) for general convex domains, and respectively O(T23) and O(T23) when the domain is further restricted to be a polyhedral set. We supplement the analysis with experiments validating the performance of our algorithm in practice. Motivated by an application of eliciting users8217 preferences, we investigate the problem of learning hemimetrics, i. e. pairwise distances among a set of n items that satisfy triangle inequalities and non-negativity constraints. In our application, the (asymmetric) distances quantify private costs a user incurs when substituting one item by another. We aim to learn these distances (costs) by asking the users whether they are willing to switch from one item to another for a given incentive offer. Without exploiting structural constraints of the hemimetric polytope, learning the distances between each pair of items requires Theta(n2) queries. We propose an active learning algorithm that substantially reduces this sample complexity by exploiting the structural constraints on the version space of hemimetrics. Our proposed algorithm achieves provably-optimal sample complexity for various instances of the task. For example, when the items are embedded into K tight clusters, the sample complexity of our algorithm reduces to O(n K). Extensive experiments on a restaurant recommendation data set support the conclusions of our theoretical analysis. We present an approach for learning simple algorithms such as copying, multi-digit addition and single digit multiplication directly from examples. Our framework consists of a set of interfaces, accessed by a controller. Typical interfaces are 1-D tapes or 2-D grids that hold the input and output data. For the controller, we explore a range of neural network-based models which vary in their ability to abstract the underlying algorithm from training instances and generalize to test examples with many thousands of digits. The controller is trained using Q-learning with several enhancements and we show that the bottleneck is in the capabilities of the controller rather than in the search incurred by Q-learning. Learning Physical Intuition of Block Towers by Example Adam Lerer Facebook AI Research . Sam Gross Facebook AI Research . Rob Fergus Facebook AI Research Paper AbstractWooden blocks are a common toy for infants, allowing them to develop motor skills and gain intuition about the physical behavior of the world. In this paper, we explore the ability of deep feed-forward models to learn such intuitive physics. Using a 3D game engine, we create small towers of wooden blocks whose stability is randomized and render them collapsing (or remaining upright). This data allows us to train large convolutional network models which can accurately predict the outcome, as well as estimating the trajectories of the blocks. The models are also able to generalize in two important ways: (i) to new physical scenarios, e. g. towers with an additional block and (ii) to images of real wooden blocks, where it obtains a performance comparable to human subjects. Structure Learning of Partitioned Markov Networks Song Liu The Inst. of Stats. Matemática. . Taiji Suzuki . Masashi Sugiyama University of Tokyo . Kenji Fukumizu The Institute of Statistical Mathematics Paper AbstractWe learn the structure of a Markov Network between two groups of random variables from joint observations. Since modelling and learning the full MN structure may be hard, learning the links between two groups directly may be a preferable option. We introduce a novel concept called the emph whose factorization directly associates with the Markovian properties of random variables across two groups. A simple one-shot convex optimization procedure is proposed for learning the emph factorizations of the partitioned ratio and it is theoretically guaranteed to recover the correct inter-group structure under mild conditions. The performance of the proposed method is experimentally compared with the state of the art MN structure learning methods using ROC curves. Real applications on analyzing bipartisanship in US congress and pairwise DNAtime-series alignments are also reported. This work focuses on dynamic regret of online convex optimization that compares the performance of online learning to a clairvoyant who knows the sequence of loss functions in advance and hence selects the minimizer of the loss function at each step. By assuming that the clairvoyant moves slowly (i. e. the minimizers change slowly), we present several improved variation-based upper bounds of the dynamic regret under the true and noisy gradient feedback, which are in light of the presented lower bounds. The key to our analysis is to explore a regularity metric that measures the temporal changes in the clairvoyant8217s minimizers, to which we refer as path variation. Firstly, we present a general lower bound in terms of the path variation, and then show that under full information or gradient feedback we are able to achieve an optimal dynamic regret. Secondly, we present a lower bound with noisy gradient feedback and then show that we can achieve optimal dynamic regrets under a stochastic gradient feedback and two-point bandit feedback. Moreover, for a sequence of smooth loss functions that admit a small variation in the gradients, our dynamic regret under the two-point bandit feedback matches that is achieved with full information. Beyond CCA: Moment Matching for Multi-View Models Anastasia Podosinnikova INRIA 8211 ENS . Francis Bach Inria . Simon Lacoste-Julien INRIA Paper AbstractWe introduce three novel semi-parametric extensions of probabilistic canonical correlation analysis with identifiability guarantees. We consider moment matching techniques for estimation in these models. For that, by drawing explicit links between the new models and a discrete version of independent component analysis (DICA), we first extend the DICA cumulant tensors to the new discrete version of CCA. By further using a close connection with independent component analysis, we introduce generalized covariance matrices, which can replace the cumulant tensors in the moment matching framework, and, therefore, improve sample complexity and simplify derivations and algorithms significantly. As the tensor power method or orthogonal joint diagonalization are not applicable in the new setting, we use non-orthogonal joint diagonalization techniques for matching the cumulants. We demonstrate performance of the proposed models and estimation techniques on experiments with both synthetic and real datasets. We present two computationally inexpensive techniques for estimating the numerical rank of a matrix, combining powerful tools from computational linear algebra. These techniques exploit three key ingredients. The first is to approximate the projector on the non-null invariant subspace of the matrix by using a polynomial filter. Two types of filters are discussed, one based on Hermite interpolation and the other based on Chebyshev expansions. The second ingredient employs stochastic trace estimators to compute the rank of this wanted eigen-projector, which yields the desired rank of the matrix. In order to obtain a good filter, it is necessary to detect a gap between the eigenvalues that correspond to noise and the relevant eigenvalues that correspond to the non-null invariant subspace. The third ingredient of the proposed approaches exploits the idea of spectral density, popular in physics, and the Lanczos spectroscopic method to locate this gap. Unsupervised Deep Embedding for Clustering Analysis Junyuan Xie University of Washington . Ross Girshick Facebook . Ali Farhadi University of Washington Paper AbstractClustering is central to many data-driven application domains and has been studied extensively in terms of distance functions and grouping algorithms. Relatively little work has focused on learning representations for clustering. In this paper, we propose Deep Embedded Clustering (DEC), a method that simultaneously learns feature representations and cluster assignments using deep neural networks. DEC learns a mapping from the data space to a lower-dimensional feature space in which it iteratively optimizes a clustering objective. Our experimental evaluations on image and text corpora show significant improvement over state-of-the-art methods. Dimensionality reduction is a popular approach for dealing with high dimensional data that leads to substantial computational savings. Random projections are a simple and effective method for universal dimensionality reduction with rigorous theoretical guarantees. In this paper, we theoretically study the problem of differentially private empirical risk minimization in the projected subspace (compressed domain). Empirical risk minimization (ERM) is a fundamental technique in statistical machine learning that forms the basis for various learning algorithms. Starting from the results of Chaudhuri et al. (NIPS 2009, JMLR 2011), there is a long line of work in designing differentially private algorithms for empirical risk minimization problems that operate in the original data space. We ask: is it possible to design differentially private algorithms with small excess risk given access to only projected data In this paper, we answer this question in affirmative, by showing that for the class of generalized linear functions, we can obtain excess risk bounds of O(w(Theta) n ) under eps-differential privacy, and O((w(Theta)n) ) under (eps, delta)-differential privacy, given only the projected data and the projection matrix. Here n is the sample size and w(Theta) is the Gaussian width of the parameter space that we optimize over. Our strategy is based on adding noise for privacy in the projected subspace and then lifting the solution to original space by using high-dimensional estimation techniques. A simple consequence of these results is that, for a large class of ERM problems, in the traditional setting (i. e. with access to the original data), under eps-differential privacy, we improve the worst-case risk bounds of Bassily et al. (FOCS 2014). We consider the maximum likelihood parameter estimation problem for a generalized Thurstone choice model, where choices are from comparison sets of two or more items. We provide tight characterizations of the mean square error, as well as necessary and sufficient conditions for correct classification when each item belongs to one of two classes. These results provide insights into how the estimation accuracy depends on the choice of a generalized Thurstone choice model and the structure of comparison sets. We find that for a priori unbiased structures of comparisons, e. g. when comparison sets are drawn independently and uniformly at random, the number of observations needed to achieve a prescribed estimation accuracy depends on the choice of a generalized Thurstone choice model. For a broad set of generalized Thurstone choice models, which includes all popular instances used in practice, the estimation error is shown to be largely insensitive to the cardinality of comparison sets. On the other hand, we found that there exist generalized Thurstone choice models for which the estimation error decreases much faster with the cardinality of comparison sets. Large-Margin Softmax Loss for Convolutional Neural Networks Weiyang Liu Peking University . Yandong Wen South China University of Technology . Zhiding Yu Carnegie Mellon University . Meng Yang Shenzhen University Paper AbstractCross-entropy loss together with softmax is arguably one of the most common used supervision components in convolutional neural networks (CNNs). Despite its simplicity, popularity and excellent performance, the component does not explicitly encourage discriminative learning of features. In this paper, we propose a generalized large-margin softmax (L-Softmax) loss which explicitly encourages intra-class compactness and inter-class separability between learned features. Moreover, L-Softmax not only can adjust the desired margin but also can avoid overfitting. We also show that the L-Softmax loss can be optimized by typical stochastic gradient descent. Extensive experiments on four benchmark datasets demonstrate that the deeply-learned features with L-softmax loss become more discriminative, hence significantly boosting the performance on a variety of visual classification and verification tasks. A Random Matrix Approach to Echo-State Neural Networks Romain Couillet CentraleSupelec . Gilles Wainrib ENS Ulm, Paris, France . Hafiz Tiomoko Ali CentraleSupelec, Gif-sur-Yvette, France . Harry Sevi ENS Lyon, Lyon, Paris Paper AbstractRecurrent neural networks, especially in their linear version, have provided many qualitative insights on their performance under different configurations. This article provides, through a novel random matrix framework, the quantitative counterpart of these performance results, specifically in the case of echo-state networks. Beyond mere insights, our approach conveys a deeper understanding on the core mechanism under play for both training and testing. One-hot CNN (convolutional neural network) has been shown to be effective for text categorization (Johnson 038 Zhang, 2015). We view it as a special case of a general framework which jointly trains a linear model with a non-linear feature generator consisting of text region embedding pooling8217. Under this framework, we explore a more sophisticated region embedding method using Long Short-Term Memory (LSTM). LSTM can embed text regions of variable (and possibly large) sizes, whereas the region size needs to be fixed in a CNN. We seek effective and efficient use of LSTM for this purpose in the supervised and semi-supervised settings. The best results were obtained by combining region embeddings in the form of LSTM and convolution layers trained on unlabeled data. The results indicate that on this task, embeddings of text regions, which can convey complex concepts, are more useful than embeddings of single words in isolation. We report performances exceeding the previous best results on four benchmark datasets. Crowdsourcing systems are popular for solving large-scale labelling tasks with low-paid (or even non-paid) workers. We study the problem of recovering the true labels from noisy crowdsourced labels under the popular Dawid-Skene model. To address this inference problem, several algorithms have recently been proposed, but the best known guarantee is still significantly larger than the fundamental limit. We close this gap under a simple but canonical scenario where each worker is assigned at most two tasks. In particular, we introduce a tighter lower bound on the fundamental limit and prove that Belief Propagation (BP) exactly matches this lower bound. The guaranteed optimality of BP is the strongest in the sense that it is information-theoretically impossible for any other algorithm to correctly la - bel a larger fraction of the tasks. In the general setting, when more than two tasks are assigned to each worker, we establish the dominance result on BP that it outperforms other existing algorithms with known provable guarantees. Experimental results suggest that BP is close to optimal for all regimes considered, while existing state-of-the-art algorithms exhibit suboptimal performances. Learning control has become an appealing alternative to the derivation of control laws based on classic control theory. However, a major shortcoming of learning control is the lack of performance guarantees which prevents its application in many real-world scenarios. As a step in this direction, we provide a stability analysis tool for controllers acting on dynamics represented by Gaussian processes (GPs). We consider arbitrary Markovian control policies and system dynamics given as (i) the mean of a GP, and (ii) the full GP distribution. For the first case, our tool finds a state space region, where the closed-loop system is provably stable. In the second case, it is well known that infinite horizon stability guarantees cannot exist. Instead, our tool analyzes finite time stability. Empirical evaluations on simulated benchmark problems support our theoretical results. Learning a classifier from private data distributed across multiple parties is an important problem that has many potential applications. How can we build an accurate and differentially private global classifier by combining locally-trained classifiers from different parties, without access to any partys private data We propose to transfer the knowledge of the local classifier ensemble by first creating labeled data from auxiliary unlabeled data, and then train a global differentially private classifier. We show that majority voting is too sensitive and therefore propose a new risk weighted by class probabilities estimated from the ensemble. Relative to a non-private solution, our private solution has a generalization error bounded by O(epsilon M ). This allows strong privacy without performance loss when the number of participating parties M is large, such as in crowdsensing applications. We demonstrate the performance of our framework with realistic tasks of activity recognition, network intrusion detection, and malicious URL detection. Network Morphism Tao Wei University at Buffalo . Changhu Wang Microsoft Research . Yong Rui Microsoft Research . Chang Wen Chen Paper AbstractWe present a systematic study on how to morph a well-trained neural network to a new one so that its network function can be completely preserved. We define this as network morphism in this research. After morphing a parent network, the child network is expected to inherit the knowledge from its parent network and also has the potential to continue growing into a more powerful one with much shortened training time. The first requirement for this network morphism is its ability to handle diverse morphing types of networks, including changes of depth, width, kernel size, and even subnet. To meet this requirement, we first introduce the network morphism equations, and then develop novel morphing algorithms for all these morphing types for both classic and convolutional neural networks. The second requirement is its ability to deal with non-linearity in a network. We propose a family of parametric-activation functions to facilitate the morphing of any continuous non-linear activation neurons. Experimental results on benchmark datasets and typical neural networks demonstrate the effectiveness of the proposed network morphism scheme. Second-order optimization methods such as natural gradient descent have the potential to speed up training of neural networks by correcting for the curvature of the loss function. Unfortunately, the exact natural gradient is impractical to compute for large models, and most approximations either require an expensive iterative procedure or make crude approximations to the curvature. We present Kronecker Factors for Convolution (KFC), a tractable approximation to the Fisher matrix for convolutional networks based on a structured probabilistic model for the distribution over backpropagated derivatives. Similarly to the recently proposed Kronecker-Factored Approximate Curvature (K-FAC), each block of the approximate Fisher matrix decomposes as the Kronecker product of small matrices, allowing for efficient inversion. KFC captures important curvature information while still yielding comparably efficient updates to stochastic gradient descent (SGD). We show that the updates are invariant to commonly used reparameterizations, such as centering of the activations. In our experiments, approximate natural gradient descent with KFC was able to train convolutional networks several times faster than carefully tuned SGD. Furthermore, it was able to train the networks in 10-20 times fewer iterations than SGD, suggesting its potential applicability in a distributed setting. Budget constrained optimal design of experiments is a classical problem in statistics. Although the optimal design literature is very mature, few efficient strategies are available when these design problems appear in the context of sparse linear models commonly encountered in high dimensional machine learning and statistics. In this work, we study experimental design for the setting where the underlying regression model is characterized by a ell1-regularized linear function. We propose two novel strategies: the first is motivated geometrically whereas the second is algebraic in nature. We obtain tractable algorithms for this problem and also hold for a more general class of sparse linear models. We perform an extensive set of experiments, on benchmarks and a large multi-site neuroscience study, showing that the proposed models are effective in practice. The latter experiment suggests that these ideas may play a small role in informing enrollment strategies for similar scientific studies in the short-to-medium term future. Minding the Gaps for Block Frank-Wolfe Optimization of Structured SVMs Anton Osokin . Jean-Baptiste Alayrac ENS . Isabella Lukasewitz INRIA . Puneet Dokania INRIA and Ecole Centrale Paris . Simon Lacoste-Julien INRIA Paper AbstractIn this paper, we propose several improvements on the block-coordinate Frank-Wolfe (BCFW) algorithm from Lacoste-Julien et al. (2013) recently used to optimize the structured support vector machine (SSVM) objective in the context of structured prediction, though it has wider applications. The key intuition behind our improvements is that the estimates of block gaps maintained by BCFW reveal the block suboptimality that can be used as an adaptive criterion. First, we sample objects at each iteration of BCFW in an adaptive non-uniform way via gap-based sampling. Second, we incorporate pairwise and away-step variants of Frank-Wolfe into the block-coordinate setting. Third, we cache oracle calls with a cache-hit criterion based on the block gaps. Fourth, we provide the first method to compute an approximate regularization path for SSVM. Finally, we provide an exhaustive empirical evaluation of all our methods on four structured prediction datasets. Exact Exponent in Optimal Rates for Crowdsourcing Chao Gao Yale University . Yu Lu Yale University . Dengyong Zhou Microsoft Research Paper AbstractCrowdsourcing has become a popular tool for labeling large datasets. This paper studies the optimal error rate for aggregating crowdsourced labels provided by a collection of amateur workers. Under the Dawid-Skene probabilistic model, we establish matching upper and lower bounds with an exact exponent mI(pi), where m is the number of workers and I(pi) is the average Chernoff information that characterizes the workers8217 collective ability. Such an exact characterization of the error exponent allows us to state a precise sample size requirement m ge frac logfrac in order to achieve an epsilon misclassification error. In addition, our results imply optimality of various forms of EM algorithms given accurate initializers of the model parameters. Unsupervised learning and supervised learning are key research topics in deep learning. However, as high-capacity supervised neural networks trained with a large amount of labels have achieved remarkable success in many computer vision tasks, the availability of large-scale labeled images reduced the significance of unsupervised learning. Inspired by the recent trend toward revisiting the importance of unsupervised learning, we investigate joint supervised and unsupervised learning in a large-scale setting by augmenting existing neural networks with decoding pathways for reconstruction. First, we demonstrate that the intermediate activations of pretrained large-scale classification networks preserve almost all the information of input images except a portion of local spatial details. Then, by end-to-end training of the entire augmented architecture with the reconstructive objective, we show improvement of the network performance for supervised tasks. We evaluate several variants of autoencoders, including the recently proposed 8220what-where8221 autoencoder that uses the encoder pooling switches, to study the importance of the architecture design. Taking the 16-layer VGGNet trained under the ImageNet ILSVRC 2012 protocol as a strong baseline for image classification, our methods improve the validation-set accuracy by a noticeable margin. (LRR) has been a significant method for segmenting data that are generated from a union of subspaces. It is also known that solving LRR is challenging in terms of time complexity and memory footprint, in that the size of the nuclear norm regularized matrix is n-by-n (where n is the number of samples). In this paper, we thereby develop a novel online implementation of LRR that reduces the memory cost from O(n2) to O(pd), with p being the ambient dimension and d being some estimated rank (d 20 reduction in the model size without any loss in accuracy on CIFAR-10 benchmark. We also demonstrate that fine-tuning can further enhance the accuracy of fixed point DCNs beyond that of the original floating point model. In doing so, we report a new state-of-the-art fixed point performance of 6.78 error-rate on CIFAR-10 benchmark. Provable Algorithms for Inference in Topic Models Sanjeev Arora Princeton University . Rong Ge . Frederic Koehler Princeton University . Tengyu Ma Princeton University . Ankur Moitra Paper AbstractRecently, there has been considerable progress on designing algorithms with provable guarantees 8212typically using linear algebraic methods8212for parameter learning in latent variable models. Designing provable algorithms for inference has proved more difficult. Here we tak e a first step towards provable inference in topic models. We leverage a property of topic models that enables us to construct simple linear estimators for the unknown topic proportions that have small variance, and consequently can work with short documents. Our estimators also correspond to finding an estimate around which the posterior is well-concentrated. We show lower bounds that for shorter documents it can be information theoretically impossible to find the hidden topics. Finally, we give empirical results that demonstrate that our algorithm works on realistic topic models. It yields good solutions on synthetic data and runs in time comparable to a single iteration of Gibbs sampling. This paper develops an approach for efficiently solving general convex optimization problems specified as disciplined convex programs (DCP), a common general-purpose modeling framework. Specifically we develop an algorithm based upon fast epigraph projections, projections onto the epigraph of a convex function, an approach closely linked to proximal operator methods. We show that by using these operators, we can solve any disciplined convex program without transforming the problem to a standard cone form, as is done by current DCP libraries. We then develop a large library of efficient epigraph projection operators, mirroring and extending work on fast proximal algorithms, for many common convex functions. Finally, we evaluate the performance of the algorithm, and show it often achieves order of magnitude speedups over existing general-purpose optimization solvers. We study the fixed design segmented regression problem: Given noisy samples from a piecewise linear function f, we want to recover f up to a desired accuracy in mean-squared error. Previous rigorous approaches for this problem rely on dynamic programming (DP) and, while sample efficient, have running time quadratic in the sample size. As our main contribution, we provide new sample near-linear time algorithms for the problem that 8211 while not being minimax optimal 8211 achieve a significantly better sample-time tradeoff on large datasets compared to the DP approach. Our experimental evaluation shows that, compared with the DP approach, our algorithms provide a convergence rate that is only off by a factor of 2 to 4, while achieving speedups of three orders of magnitude. Energetic Natural Gradient Descent Philip Thomas CMU . Bruno Castro da Silva . Christoph Dann Carnegie Mellon University . Emma Paper AbstractWe propose a new class of algorithms for minimizing or maximizing functions of parametric probabilistic models. These new algorithms are natural gradient algorithms that leverage more information than prior methods by using a new metric tensor in place of the commonly used Fisher information matrix. This new metric tensor is derived by computing directions of steepest ascent where the distance between distributions is measured using an approximation of energy distance (as opposed to Kullback-Leibler divergence, which produces the Fisher information matrix), and so we refer to our new ascent direction as the energetic natural gradient. Partition Functions from Rao-Blackwellized Tempered Sampling David Carlson Columbia University . Patrick Stinson Columbia University . Ari Pakman Columbia University . Liam Paper AbstractPartition functions of probability distributions are important quantities for model evaluation and comparisons. We present a new method to compute partition functions of complex and multimodal distributions. Such distributions are often sampled using simulated tempering, which augments the target space with an auxiliary inverse temperature variable. Our method exploits the multinomial probability law of the inverse temperatures, and provides estimates of the partition function in terms of a simple quotient of Rao-Blackwellized marginal inverse temperature probability estimates, which are updated while sampling. We show that the method has interesting connections with several alternative popular methods, and offers some significant advantages. In particular, we empirically find that the new method provides more accurate estimates than Annealed Importance Sampling when calculating partition functions of large Restricted Boltzmann Machines (RBM) moreover, the method is sufficiently accurate to track training and validation log-likelihoods during learning of RBMs, at minimal computational cost. In this paper we address the identifiability and efficient learning problems of finite mixtures of Plackett-Luce models for rank data. We prove that for any kgeq 2, the mixture of k Plackett-Luce models for no more than 2k-1 alternatives is non-identifiable and this bound is tight for k2. For generic identifiability, we prove that the mixture of k Plackett-Luce models over m alternatives is if kleqlfloorfrac 2rfloor. We also propose an efficient generalized method of moments (GMM) algorithm to learn the mixture of two Plackett-Luce models and show that the algorithm is consistent. Our experiments show that our GMM algorithm is significantly faster than the EMM algorithm by Gormley 038 Murphy (2008), while achieving competitive statistical efficiency. The combinatorial explosion that plagues planning and reinforcement learning (RL) algorithms can be moderated using state abstraction. Prohibitively large task representations can be condensed such that essential information is preserved, and consequently, solutions are tractably computable. However, exact abstractions, which treat only fully-identical situations as equivalent, fail to present opportunities for abstraction in environments where no two situations are exactly alike. In this work, we investigate approximate state abstractions, which treat nearly-identical situations as equivalent. We present theoretical guarantees of the quality of behaviors derived from four types of approximate abstractions. Additionally, we empirically demonstrate that approximate abstractions lead to reduction in task complexity and bounded loss of optimality of behavior in a variety of environments. Power of Ordered Hypothesis Testing Lihua Lei Lihua . William Fithian UC Berkeley, Department of Statistics Paper AbstractOrdered testing procedures are multiple testing procedures that exploit a pre-specified ordering of the null hypotheses, from most to least promising. We analyze and compare the power of several recent proposals using the asymptotic framework of Li 038 Barber (2015). While accumulation tests including ForwardStop can be quite powerful when the ordering is very informative, they are asymptotically powerless when the ordering is weaker. By contrast, Selective SeqStep, proposed by Barber 038 Candes (2015), is much less sensitive to the quality of the ordering. We compare the power of these procedures in different regimes, concluding that Selective SeqStep dominates accumulation tests if either the ordering is weak or non-null hypotheses are sparse or weak. Motivated by our asymptotic analysis, we derive an improved version of Selective SeqStep which we call Adaptive SeqStep, analogous to Storeys improvement on the Benjamini-Hochberg proce - dure. We compare these methods using the GEO-Query data set analyzed by (Li 038 Barber, 2015) and find Adaptive SeqStep has favorable performance for both good and bad prior orderings. PHOG: Probabilistic Model for Code Pavol Bielik ETH Zurich . Veselin Raychev ETH Zurich . Martin Vechev ETH Zurich Paper AbstractWe introduce a new generative model for code called probabilistic higher order grammar (PHOG). PHOG generalizes probabilistic context free grammars (PCFGs) by allowing conditioning of a production rule beyond the parent non-terminal, thus capturing rich contexts relevant to programs. Even though PHOG is more powerful than a PCFG, it can be learned from data just as efficiently. We trained a PHOG model on a large JavaScript code corpus and show that it is more precise than existing models, while similarly fast. As a result, PHOG can immediately benefit existing programming tools based on probabilistic models of code. We consider the problem of online prediction in changing environments. In this framework the performance of a predictor is evaluated as the loss relative to an arbitrarily changing predictor, whose individual components come from a base class of predictors. Typical results in the literature consider different base classes (experts, linear predictors on the simplex, etc.) separately. Introducing an arbitrary mapping inside the mirror decent algorithm, we provide a framework that unifies and extends existing results. As an example, we prove new shifting regret bounds for matrix prediction problems. Hyperparameter selection generally relies on running multiple full training trials, with selection based on validation set performance. We propose a gradient-based approach for locally adjusting hyperparameters during training of the model. Hyperparameters are adjusted so as to make the model parameter gradients, and hence updates, more advantageous for the validation cost. We explore the approach for tuning regularization hyperparameters and find that in experiments on MNIST, SVHN and CIFAR-10, the resulting regularization levels are within the optimal regions. The additional computational cost depends on how frequently the hyperparameters are trained, but the tested scheme adds only 30 computational overhead regardless of the model size. Since the method is significantly less computationally demanding compared to similar gradient-based approaches to hyperparameter optimization, and consistently finds good hyperparameter values, it can be a useful tool for training neural network models. Many of the recent Trajectory Optimization algorithms alternate between local approximation of the dynamics and conservative policy update. However, linearly approximating the dynamics in order to derive the new policy can bias the update and prevent convergence to the optimal policy. In this article, we propose a new model-free algorithm that backpropagates a local quadratic time-dependent Q-Function, allowing the derivation of the policy update in closed form. Our policy update ensures exact KL-constraint satisfaction without simplifying assumptions on the system dynamics demonstrating improved performance in comparison to related Trajectory Optimization algorithms linearizing the dynamics. Due to its numerous applications, rank aggregation has become a problem of major interest across many fields of the computer science literature. In the vast majority of situations, Kemeny consensus(es) are considered as the ideal solutions. It is however well known that their computation is NP-hard. Many contributions have thus established various results to apprehend this complexity. In this paper we introduce a practical method to predict, for a ranking and a dataset, how close the Kemeny consensus(es) are to this ranking. A major strength of this method is its generality: it does not require any assumption on the dataset nor the ranking. Furthermore, it relies on a new geometric interpretation of Kemeny aggregation that, we believe, could lead to many other results. Horizontally Scalable Submodular Maximization Mario Lucic ETH Zurich . Olivier Bachem ETH Zurich . Morteza Zadimoghaddam Google Research . Andreas Krause Paper AbstractA variety of large-scale machine learning problems can be cast as instances of constrained submodular maximization. Existing approaches for distributed submodular maximization have a critical drawback: The capacity 8211 number of instances that can fit in memory 8211 must grow with the data set size. In practice, while one can provision many machines, the capacity of each machine is limited by physical constraints. We propose a truly scalable approach for distributed submodular maximization under fixed capacity. The proposed framework applies to a broad class of algorithms and constraints and provides theoretical guarantees on the approximation factor for any available capacity. We empirically evaluate the proposed algorithm on a variety of data sets and demonstrate that it achieves performance competitive with the centralized greedy solution. Group Equivariant Convolutional Networks Taco Cohen University of Amsterdam . Max Welling University of Amsterdam CIFAR Paper AbstractWe introduce Group equivariant Convolutional Neural Networks (G-CNNs), a natural generalization of convolutional neural networks that reduces sample complexity by exploiting symmetries. G-CNNs use G-convolutions, a new type of layer that enjoys a substantially higher degree of weight sharing than regular convolution layers. G-convolutions increase the expressive capacity of the network without increasing the number of parameters. Group convolution layers are easy to use and can be implemented with negligible computational overhead for discrete groups generated by translations, reflections and rotations. G-CNNs achieve state of the art results on CIFAR10 and rotated MNIST. The partition function is fundamental for probabilistic graphical models8212it is required for inference, parameter estimation, and model selection. Evaluating this function corresponds to discrete integration, namely a weighted sum over an exponentially large set. This task quickly becomes intractable as the dimensionality of the problem increases. We propose an approximation scheme that, for any discrete graphical model whose parameter vector has bounded norm, estimates the partition function with arbitrarily small error. Our algorithm relies on a near minimax optimal polynomial approximation to the potential function and a Clenshaw-Curtis style quadrature. Furthermore, we show that this algorithm can be randomized to split the computation into a high-complexity part and a low-complexity part, where the latter may be carried out on small computational devices. Experiments confirm that the new randomized algorithm is highly accurate if the parameter norm is small, and is otherwise comparable to methods with unbounded error. Correcting Forecasts with Multifactor Neural Attention Matthew Riemer IBM . Aditya Vempaty IBM . Flavio Calmon IBM . Fenno Heath IBM . Richard Hull IBM . Elham Khabiri IBM Paper AbstractAutomatic forecasting of time series data is a challenging problem in many industries. Current forecast models adopted by businesses do not provide adequate means for including data representing external factors that may have a significant impact on the time series, such as weather, national events, local events, social media trends, promotions, etc. This paper introduces a novel neural network attention mechanism that naturally incorporates data from multiple external sources without the feature engineering needed to get other techniques to work. We demonstrate empirically that the proposed model achieves superior performance for predicting the demand of 20 commodities across 107 stores of one of America8217s largest retailers when compared to other baseline models, including neural networks, linear models, certain kernel methods, Bayesian regression, and decision trees. Our method ultimately accounts for a 23.9 relative improvement as a result of the incorporation of external data sources, and provides an unprecedented level of descriptive ability for a neural network forecasting model. Observational studies are rising in importance due to the widespread accumulation of data in fields such as healthcare, education, employment and ecology. We consider the task of answering counterfactual questions such as, 8220Would this patient have lower blood sugar had she received a different medication8221. We propose a new algorithmic framework for counterfactual inference which brings together ideas from domain adaptation and representation learning. In addition to a theoretical justification, we perform an empirical comparison with previous approaches to causal inference from observational data. Our deep learning algorithm significantly outperforms the previous state-of-the-art. Gaussian Processes (GPs) provide a general and analytically tractable way of modeling complex time-varying, nonparametric functions. The Automatic Bayesian Covariance Discovery (ABCD) system constructs natural-language description of time-series data by treating unknown time-series data nonparametrically using GP with a composite covariance kernel function. Unfortunately, learning a composite covariance kernel with a single time-series data set often results in less informative kernel that may not give qualitative, distinctive descriptions of data. We address this challenge by proposing two relational kernel learning methods which can model multiple time-series data sets by finding common, shared causes of changes. We show that the relational kernel learning methods find more accurate models for regression problems on several real-world data sets US stock data, US house price index data and currency exchange rate data. We introduce a new approach for amortizing inference in directed graphical models by learning heuristic approximations to stochastic inverses, designed specifically for use as proposal distributions in sequential Monte Carlo methods. We describe a procedure for constructing and learning a structured neural network which represents an inverse factorization of the graphical model, resulting in a conditional density estimator that takes as input particular values of the observed random variables, and returns an approximation to the distribution of the latent variables. This recognition model can be learned offline, independent from any particular dataset, prior to performing inference. The output of these networks can be used as automatically-learned high-quality proposal distributions to accelerate sequential Monte Carlo across a diverse range of problem settings. Slice Sampling on Hamiltonian Trajectories Benjamin Bloem-Reddy Columbia University . John Cunningham Columbia University Paper AbstractHamiltonian Monte Carlo and slice sampling are amongst the most widely used and studied classes of Markov Chain Monte Carlo samplers. We connect these two methods and present Hamiltonian slice sampling, which allows slice sampling to be carried out along Hamiltonian trajectories, or transformations thereof. Hamiltonian slice sampling clarifies a class of model priors that induce closed-form slice samplers. More pragmatically, inheriting properties of slice samplers, it offers advantages over Hamiltonian Monte Carlo, in that it has fewer tunable hyperparameters and does not require gradient information. We demonstrate the utility of Hamiltonian slice sampling out of the box on problems ranging from Gaussian process regression to Pitman-Yor based mixture models. Noisy Activation Functions Caglar Glehre . Marcin Moczulski . Misha Denil . Yoshua Bengio U. of Montreal Paper AbstractCommon nonlinear activation functions used in neural networks can cause training difficulties due to the saturation behavior of the activation function, which may hide dependencies that are not visible to vanilla-SGD (using first order gradients only). Gating mechanisms that use softly saturating activation functions to emulate the discrete switching of digital logic circuits are good examples of this. We propose to exploit the injection of appropriate noise so that the gradients may flow easily, even if the noiseless application of the activation function would yield zero gradients. Large noise will dominate the noise-free gradient and allow stochastic gradient descent to explore more. By adding noise only to the problematic parts of the activation function, we allow the optimization procedure to explore the boundary between the degenerate saturating) and the well-behaved parts of the activation function. We also establish connections to simulated annealing, when the amount of noise is annealed down, making it easier to optimize hard objective functions. We find experimentally that replacing such saturating activation functions by noisy variants helps optimization in many contexts, yielding state-of-the-art or competitive results on different datasets and task, especially when training seems to be the most difficult, e. g. when curriculum learning is necessary to obtain good results. PD-Sparse. A Primal and Dual Sparse Approach to Extreme Multiclass and Multilabel Classification Ian En-Hsu Yen University of Texas at Austin . Xiangru Huang UTaustin . Pradeep Ravikumar UT Austin . Kai Zhong ICES department, University of Texas at Austin . Inderjit Paper AbstractWe consider Multiclass and Multilabel classification with extremely large number of classes, of which only few are labeled to each instance. In such setting, standard methods that have training, prediction cost linear to the number of classes become intractable. State-of-the-art methods thus aim to reduce the complexity by exploiting correlation between labels under assumption that the similarity between labels can be captured by structures such as low-rank matrix or balanced tree. However, as the diversity of labels increases in the feature space, structural assumption can be easily violated, which leads to degrade in the testing performance. In this work, we show that a margin-maximizing loss with l1 penalty, in case of Extreme Classification, yields extremely sparse solution both in primal and in dual without sacrificing the expressive power of predictor. We thus propose a Fully-Corrective Block-Coordinate Frank-Wolfe (FC-BCFW) algorithm that exploits both primal and dual sparsity to achieve a complexity sublinear to the number of primal and dual variables. A bi-stochastic search method is proposed to further improve the efficiency. In our experiments on both Multiclass and Multilabel problems, the proposed method achieves significant higher accuracy than existing approaches of Extreme Classification with very competitive training and prediction time.
Comments
Post a Comment