人工智能不确定性会议(UAI):多类别学习器及其在非均匀样本复杂度问题上的应用

文章主题：人工智能, 不确定性, 知识表示, 学习推理

UAI是人工智能领域智能不确定性研究方向最权威的国际会议。最新组委会公布了一系列最佳论文。其中墨尔本理工大学获得最佳论文，UMass大学等获最佳短论文。

作为人工智能领域的一个重要国际会议，不确定性会议（UAI）专注于研究在不确定性环境下知识表示、学习和推理的方法。该会议得到了人工智能不确定性协会（AUAI）的大力支持，并自1985年起，每年举办一届。第38届世界杯将于荷兰埃因霍温理工大学盛大启幕。

https://www.auai.org/uai2022/

最佳论文

多类神经网络作为现代无监督学习和自适应领域的常用工具，其在自适应文献中对非均匀样本复杂度的理论描述却存在不足。为了弥补这一空缺，本研究首次提出了一个多类别学习器的PAC-贝叶斯自适应界限。我们通过针对考虑的多类分布散度，采用一阶近似技术，以促进其边界的实际应用。对于依赖于Gibbs预测器的散度，我们进一步提出了额外的PAC-贝叶斯适应界，从而避免了低效的蒙特卡洛估计的需求。在实际经验中，我们对所提出的近似技术进行了有效性测试，并尝试了一些新的设计理念，将其融入到我们的边界之中。最终，我们运用这些边界对一种常见的神经网络自适应算法进行了分析。

https://www.zhuanzhi.ai/paper/279ec4b12d94d99e2e6f5c083e2712f2

最佳学生论文

作为一款强大的工具，祖先图在编码因果知识的过程中发挥着重要作用。其关键特性在于，它能够反映出数据中存在的潜在混淆和选择偏差，从而为数据分析提供了一种不确定性衡量方式。与此同时，对于其他图模型，几个最大的祖先图（MAGs）能够将相同的统计信息以条件独立性的形式进行编码，这种图模型被称作马尔可夫等效。在此领域的研究已经取得了显著进展，已经出现了几套用于检验马尔可夫等效的标准和方法。近年来，Hu和Evans [UAI 2020]提出的最先进算法，能够在处理拥有n个顶点的实例时，实现运行时间O(n^5)。然而，我们在构建MAGs的马尔可夫等价图形判据上有了新的突破，这使得我们能够开发出一款实际有效的等价检验，其最坏情况的运行时间可以达到O(n^3)。值得一提的是，我们所使用的准则基于自然图的概念，这一点是独立于其他价值的。通过这种方式，我们不仅提高了祖先图的实用性，也使得马尔可夫等效的检验更加高效和精确。