Aprenda los potenciales de factores utilizando el aprendizaje profundo . Uno de los principales desafíos de los modelos gráficos es cómo se representan los potenciales de los factores. El trabajo anterior utilizaba algún tipo de tabla de búsqueda (que no escala y es difícil de generalizar) o modelos lineales (que carecen de poder de representación). Más recientemente, las personas se han interesado en aprender los potenciales de los factores utilizando el aprendizaje profundo. Por ejemplo: http://alexander-schwing.de/pape… http://datta.hms.harvard.edu/doc…
Estructura de aprendizaje y causalidad. Muchos enfoques de modelado gráfico asumen una estructura de modelo conocida y simplemente apuntan a aprender los potenciales factoriales (o los pesos de los parámetros) del modelo. Por supuesto, hay muchas configuraciones donde también se debe aprender la estructura del modelo, lo cual es un problema desafiante de optimización combinatoria. Ver: http://www.cs.cmu.edu/~sssykim/p…
Inferencia rápida A medida que los modelos se vuelven cada vez más complejos, necesitamos algoritmos de inferencia más potentes para realmente hacer algo útil con nuestros modelos gráficos. Después de todo, si no puede hacer inferencia, entonces su modelo está sentada allí luciendo bonita y sin hacer mucho más. Por ejemplo: http://web.cs.ucla.edu/~guyvdb/p… http://www.cs.columbia.edu/~blei… http://vladlen.info/papers/dense…
- ¿Cuál es la forma correcta de hacer una búsqueda bibliográfica exhaustiva de trabajos anteriores?
- ¿Qué prácticas ágiles están respaldadas por la investigación?
- ¿Cuál es el mejor servicio de indexación en línea para la investigación en informática?
- ¿Cuál es el mejor IIT en India, considerando solo para estudios de posgrado e investigación en el campo de la informática?
- ¿Cómo es investigar en el Instituto Nacional de Informática (NII) de Japón?
Estimación del modelo. La otra cara de la inferencia es el aprendizaje o la estimación de parámetros, es decir, ajustar el modelo a los datos. Aunque los dos pueden estar estrechamente relacionados a veces (dependiendo del algoritmo de aprendizaje), también hay otras formas de hacer una estimación del modelo que pueden conducir a mejores ajustes. Por ejemplo: http://www.cs.columbia.edu/~djhs…
Interpretabilidad y comentarios. Para los modelos gráficos con muchas variables latentes, como los modelos de temas, un aspecto importante que muchas personas desean es que las variables latentes deben ser interpretables y posiblemente corregibles mediante la retroalimentación interactiva. Ver: http://people.csail.mit.edu/been… http://www.cs.colorado.edu/~jbg/…