缺失数据统计分析,第三版,462页pdf

2020 年 2 月 28 日 专知
缺失数据统计分析,第三版,462页pdf


地址:

https://www.wiley.com/en-us/Statistical+Analysis+with+Missing+Data%2C+3rd+Edition-p-9780470526798


近几十年来,数据缺失的问题引起了广泛关注。这个新版本由两个公认的专家在这个问题上提供了一个最新的实用方法处理缺失数据问题。将理论与应用相结合,作者Roderick Little和Donald Rubin回顾了该主题的历史方法,并描述了缺失值的多元分析的简单方法。然后,他们提供了一个连贯的理论来分析基于概率的问题,这些概率来自于数据的统计模型和缺失数据的机制,然后他们将该理论应用到广泛的重要缺失数据的问题。


统计分析与缺失的数据,第三版开始给读者介绍缺失数据和解决它的方法。它查看创建丢失数据的模式和机制,以及丢失数据的分类。然后,在讨论完整案例分析和可用案例分析(包括加权方法)之前,对实验中缺失的数据进行检查。新版本扩大了它的覆盖面,包括最近的工作,如不响应抽样调查,因果推理,诊断方法,灵敏度分析,在许多其他主题。


  • 一个更新的“经典”由著名的权威写的主题

  • 超过150个练习(包括许多新的)

  • 介绍了最近的一些重要方法的研究工作,如多重归算、加权的稳健替代方法和贝叶斯方法

  • 根据过去的学生反馈和课堂经验修改以前的主题

  • 包含一个更新和扩展的书目


2017年,国际统计研究所(International Statistical Institute)将卡尔·皮尔森奖(Karl Pearson Prize)授予了这两位作者,以表彰他们对统计理论、方法或应用产生深远影响的研究贡献。


第三版统计分析缺失的数据,是一个理想的教科书,为本科高年级和/或刚开始研究生水平的学科学生。它也是一个优秀的信息来源,为应用统计学家和在政府行业的从业人员提供参考。


TABLE OF CONTENTS

Preface to the Third Edition xi

Part I Overview and Basic Approaches 1

1 Introduction 3

1.1 The Problem of Missing Data 3

1.2 Missingness Patterns and Mechanisms 8

1.3 Mechanisms That Lead to Missing Data 13

1.4 A Taxonomy of Missing Data Methods 23

2 Missing Data in Experiments 29

2.1 Introduction 29

2.2 The Exact Least Squares Solution with Complete Data 30

2.3 The Correct Least Squares Analysis with Missing Data 32

2.4 Filling in Least Squares Estimates 33

2.4.1 Yates’s Method 33

2.4.2 Using a Formula for the Missing Values 34

2.4.3 Iterating to Find the Missing Values 34

2.4.4 ANCOVA with Missing Value Covariates 35

2.5 Bartlett’s ANCOVA Method 35

2.5.1 Useful Properties of Bartlett’s Method 35

2.5.2 Notation 36

2.5.3 The ANCOVA Estimates of Parameters and Missing Y-Values 36

2.5.4 ANCOVA Estimates of the Residual Sums of Squares and the Covariance Matrix of 𝛽̂ 37

2.6 Least Squares Estimates of Missing Values by ANCOVA Using Only Complete-Data Methods 38

2.7 Correct Least Squares Estimates of Standard Errors and One Degree of Freedom Sums of Squares 40

2.8 Correct Least-Squares Sums of Squares with More Than One Degree of Freedom 42

3 Complete-Case and Available-Case Analysis, Including Weighting Methods 47

3.1 Introduction 47

3.2 Complete-Case Analysis 47

3.3 Weighted Complete-Case Analysis 50

3.3.1 Weighting Adjustments 50

3.3.2 Poststratification and Raking to Known Margins 58

3.3.3 Inference from Weighted Data 60

3.3.4 Summary of Weighting Methods 61

3.4 Available-Case Analysis 61

4 Single Imputation Methods 67

4.1 Introduction 67

4.2 Imputing Means from a Predictive Distribution 69

4.2.1 Unconditional Mean Imputation 69

4.2.2 Conditional Mean Imputation 70

4.3 Imputing Draws from a Predictive Distribution 73

4.3.1 Draws Based on Explicit Models 73

4.3.2 Draws Based on Implicit Models – Hot Deck Methods 76

4.4 Conclusion 81

5 Accounting for Uncertainty from Missing Data 85

5.1 Introduction 85

5.2 Imputation Methods that Provide Valid Standard Errors from a Single Filled-in Data Set 86

5.3 Standard Errors for Imputed Data by Resampling 90

5.3.1 Bootstrap Standard Errors 90

5.3.2 Jackknife Standard Errors 92

5.4 Introduction to Multiple Imputation 95

5.5 Comparison of Resampling Methods and Multiple Imputation 100

Part II Likelihood-Based Approaches to the Analysis of Data with Missing Values 107

6 Theory of Inference Based on the Likelihood Function 109

6.1 Review of Likelihood-Based Estimation for Complete Data 109

6.1.1 Maximum Likelihood Estimation 109

6.1.2 Inference Based on the Likelihood 118

6.1.3 Large Sample Maximum Likelihood and Bayes Inference 119

6.1.4 Bayes Inference Based on the Full Posterior Distribution 126

6.1.5 Simulating Posterior Distributions 130

6.2 Likelihood-Based Inference with Incomplete Data 132

6.3 A Generally Flawed Alternative to Maximum Likelihood: Maximizing over the Parameters and the Missing Data 141

6.3.1 The Method 141

6.3.2 Background 142

6.3.3 Examples 143

6.4 Likelihood Theory for Coarsened Data 145

7 Factored Likelihood Methods When the Missingness Mechanism Is Ignorable 151

7.1 Introduction 151

7.2 Bivariate Normal Data with One Variable Subject to Missingness: ML Estimation 153

7.2.1 ML Estimates 153

7.2.2 Large-Sample Covariance Matrix 157

7.3 Bivariate Normal Monotone Data: Small-Sample Inference 158

7.4 Monotone Missingness with More Than Two Variables 161

7.4.1 Multivariate Data with One Normal Variable Subject to Missingness 161

7.4.2 The Factored Likelihood for a General Monotone Pattern 162

7.4.3 ML Computation for Monotone Normal Data via the Sweep Operator 166

7.4.4 Bayes Computation forMonotone Normal Data via the Sweep Operator 174

7.5 Factored Likelihoods for Special Nonmonotone Patterns 175

8 Maximum Likelihood for General Patterns of Missing Data: Introduction and Theory with Ignorable Nonresponse 185

8.1 Alternative Computational Strategies 185

8.2 Introduction to the EM Algorithm 187

8.3 The E Step and The M Step of EM 188

8.4 Theory of the EM Algorithm 193

8.4.1 Convergence Properties of EM 193

8.4.2 EM for Exponential Families 196

8.4.3 Rate of Convergence of EM 198

8.5 Extensions of EM 200

8.5.1 The ECM Algorithm 200

8.5.2 The ECME and AECM Algorithms 205

8.5.3 The PX-EM Algorithm 206

8.6 Hybrid Maximization Methods 208

9 Large-Sample Inference Based on Maximum Likelihood Estimates 213

9.1 Standard Errors Based on The Information Matrix 213

9.2 Standard Errors via Other Methods 214

9.2.1 The Supplemented EM Algorithm 214

9.2.2 Bootstrapping the Observed Data 219

9.2.3 Other Large-Sample Methods 220

9.2.4 Posterior Standard Errors from Bayesian Methods 221

10 Bayes and Multiple Imputation 223

10.1 Bayesian Iterative Simulation Methods 223

10.1.1 Data Augmentation 223

10.1.2 The Gibbs’ Sampler 226

10.1.3 Assessing Convergence of Iterative Simulations 230

10.1.4 Some Other Simulation Methods 231

10.2 Multiple Imputation 232

10.2.1 Large-Sample Bayesian Approximations of the Posterior Mean and Variance Based on a Small Number of Draws 232

10.2.2 Approximations Using Test Statistics or p-Values 235

10.2.3 Other Methods for Creating Multiple Imputations 238

10.2.4 Chained-Equation Multiple Imputation 241

10.2.5 Using Different Models for Imputation and Analysis 243

Part III Likelihood-Based Approaches to the Analysis of Incomplete Data: Some Examples 247

11 Multivariate Normal Examples, Ignoring the Missingness Mechanism 249

11.1 Introduction 249

11.2 Inference for a Mean Vector and Covariance Matrix with Missing Data Under Normality 249

11.2.1 The EM Algorithm for Incomplete Multivariate Normal Samples 250

11.2.2 Estimated Asymptotic Covariance Matrix of 𝜃 252

11.2.3 Bayes Inference and Multiple Imputation for the Normal Model 253

11.3 The Normal Model with a Restricted Covariance Matrix 257

11.4 Multiple Linear Regression 264

11.4.1 Linear Regression with Missingness Confined to the Dependent Variable 264

11.4.2 More General Linear Regression Problems with Missing Data 266

11.5 A General Repeated-Measures Model with Missing Data 269

11.6 Time Series Models 273

11.6.1 Introduction 273

11.6.2 Autoregressive Models for Univariate Time Series with Missing Values 273

11.6.3 Kalman Filter Models 276

11.7 Measurement Error Formulated as Missing Data 277

12 Models for Robust Estimation 285

12.1 Introduction 285

12.2 Reducing the Influence of Outliers by Replacing the Normal Distribution by a Longer-Tailed Distribution 286

12.2.1 Estimation for a Univariate Sample 286

12.2.2 Robust Estimation of the Mean and Covariance Matrix with Complete Data 288

12.2.3 Robust Estimation of the Mean and Covariance Matrix from Data with Missing Values 290

12.2.4 Adaptive Robust Multivariate Estimation 291

12.2.5 Bayes Inference for the t Model 292

12.2.6 Further Extensions of the t Model 294

12.3 Penalized Spline of Propensity Prediction 298

13 Models for Partially Classified Contingency Tables, Ignoring the Missingness Mechanism 301

13.1 Introduction 301

13.2 Factored Likelihoods for Monotone Multinomial Data 302

13.2.1 Introduction 302

13.2.2 ML and Bayes for Monotone Patterns 303

13.2.3 Precision of Estimation 312

13.3 ML and Bayes Estimation for Multinomial Samples with General Patterns of Missingness 313

13.4 Loglinear Models for Partially Classified Contingency Tables 317

13.4.1 The Complete-Data Case 317

13.4.2 Loglinear Models for Partially Classified Tables 320

13.4.3 Goodness-of-Fit Tests for Partially Classified Data 326

14 Mixed Normal and Nonnormal Data with Missing Values, Ignoring the Missingness Mechanism 329

14.1 Introduction 329

14.2 The General Location Model 329

14.2.1 The Complete-DataModel and Parameter Estimates 329

14.2.2 ML Estimation with Missing Values 331

14.2.3 Details of the E Step Calculations 334

14.2.4 Bayes’ Computation for the Unrestricted General Location Model 335

14.3 The General Location Model with Parameter Constraints 337

14.3.1 Introduction 337

14.3.2 Restricted Models for the Cell Means 340

14.3.3 LoglinearModels for the Cell Probabilities 340

14.3.4 Modifications to the Algorithms of Previous Sections to Accommodate Parameter Restrictions 340

14.3.5 SimplificationsWhen Categorical Variables are More Observed than Continuous Variables 343

14.4 Regression Problems InvolvingMixtures of Continuous and Categorical Variables 344

14.4.1 Normal Linear Regression with Missing Continuous or Categorical Covariates 344

14.4.2 Logistic Regression with Missing Continuous or Categorical Covariates 346

14.5 Further Extensions of the General Location Model 347

15 Missing Not at RandomModels 351

15.1 Introduction 351

15.2 Models with Known MNAR Missingness Mechanisms: Grouped and Rounded Data 355

15.3 Normal Models for MNAR Missing Data 362

15.3.1 Normal Selection and Pattern-Mixture Models for Univariate Missingness 362

15.3.2 Following up a Subsample of Nonrespondents 364

15.3.3 The Bayesian Approach 366

15.3.4 Imposing Restrictions on Model Parameters 369

15.3.5 Sensitivity Analysis 376

15.3.6 Subsample Ignorable Likelihood for Regression with Missing Data 379

15.4 Other Models and Methods for MNAR Missing Data 382

15.4.1 MNAR Models for Repeated-Measures Data 382

15.4.2 MNAR Models for Categorical Data 385

15.4.3 Sensitivity Analyses for Chained-Equation Multiple Imputations 391

15.4.4 Sensitivity Analyses in Pharmaceutical Applications 396

References 405

Author Index 429

Subject Index 437




专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“SLMD” 就可以获取缺失数据统计分析,第三版,462页pdf》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
11

相关内容

在统计调查的过程中,由于受访者对问题的遗漏、拒绝,或是调查员与调查问卷本身存在的一些疏忽,使得记录经常会出现 缺失数据 (Missing Data) 的问题。但是,几乎所有标准统计方法都假设每个个案具有可用于分析的所有变量信息,因此缺失数据就成为进行统计研究或问卷调查的工作人员所必须解决的一个问题。

这本受欢迎的教科书的第一版,当代人工智能,提供了一个学生友好的人工智能介绍。这一版完全修订和扩大更新,人工智能: 介绍机器学习,第二版,保留相同的可访问性和解决问题的方法,同时提供新的材料和方法。

该书分为五个部分,重点介绍了人工智能中最有用的技术。书的第一部分涵盖了基于逻辑的方法,而第二部分着重于基于概率的方法。第三部分是涌现智能的特点,探讨了基于群体智能的进化计算和方法。接下来的最新部分将提供神经网络和深度学习的详细概述。书的最后一部分着重于自然语言的理解。

适合本科生和刚毕业的研究生,本课程测试教材为学生和其他读者提供关键的人工智能方法和算法,以解决具有挑战性的问题,涉及系统的智能行为在专门领域,如医疗和软件诊断,金融决策,语音和文本识别,遗传分析等。

https://www.routledge.com/Artificial-Intelligence-With-an-Introduction-to-Machine-Learning-Second/Neapolitan-Jiang/p/book/9781138502383

成为VIP会员查看完整内容
0
108

首先加速介绍R生态系统、编程语言和工具,包括R脚本和RStudio。通过使用许多例子和项目,这本书教你如何将数据导入R,以及如何使用R处理这些数据。一旦基础扎实,《实用R 4》的其余部分将深入具体的项目和例子,从使用R和LimeSurvey运行和分析调查开始。接下来,您将使用R和MouselabWeb执行高级统计分析。然后,您将看到在没有统计信息的情况下R如何工作,包括如何使用R自动化数据格式化、操作、报告和自定义函数。

本书的最后一部分讨论了在服务器上使用R;您将使用R构建一个脚本,该脚本可以运行RStudio服务器并监视报表源的更改,以便在发生更改时向用户发出警报。这个项目包括定期电子邮件提醒和推送通知。最后,您将使用R创建一个定制的个人最重要信息的每日纲要报告,例如天气报告、每日日历、待办事项等等。这演示了如何自动化这样一个过程,以便用户每天早上导航到相同的web页面并获得更新的报告。

你将学到什么

  • 设置并运行R脚本,包括在新机器上的安装以及下载和配置R
  • 使用RStudio Server将任何机器变成可从任何地方访问的强大数据分析平台
  • 编写基本的脚本并修改现有的脚本以满足自己的需要。
  • 在R中创建基本的HTML报告,根据需要插入信息
  • 构建一个基本的R包并发布它

这本书是给谁的

  • 建议您之前接触过统计学、编程和SAS,但不是必需的。
成为VIP会员查看完整内容
0
64

在复杂的以人为中心的系统中,每天的决策都具有决策相关信息不完全的特点。现有决策理论的主要问题是,它们没有能力处理概率和事件不精确的情况。在这本书中,我们描述了一个新的理论的决策与不完全的信息。其目的是将决策分析和经济行为的基础从领域二价逻辑转向领域模糊逻辑和Z约束,从行为决策的外部建模转向组合状态的框架。

这本书将有助于在模糊逻辑,决策科学,人工智能,数学经济学,和计算经济学的专业人员,学者,经理和研究生。

读者:专业人士,学者,管理者和研究生在模糊逻辑,决策科学,人工智能,数学经济学,和计算经济学。

成为VIP会员查看完整内容
0
168

本书介绍了自由软件Python及其在统计数据分析中的应用。它涵盖了连续、离散和分类数据的常见统计测试,以及线性回归分析和生存分析和贝叶斯统计的主题。每个测试的Python解决方案的工作代码和数据,以及易于遵循的Python示例,可以被读者复制,并加强他们对主题的直接理解。随着Python生态系统的最新进展,Python已经成为科学计算的一种流行语言,为统计数据分析提供了一个强大的环境,并且是R的一个有趣的替代选择。本书面向硕士和博士学生,主要来自生命和医学科学,具有统计学的基本知识。由于该书还提供了一些统计方面的背景知识,因此任何想要执行统计数据分析的人都可以使用这本书。

成为VIP会员查看完整内容
0
69

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
123

统计学习是一套以复杂数据建模和数据理解为目的的工具集,是近期才发展起来的统计学的一个新领域。本书出自统计学习领域声名显赫的几位专家,结合R语言介绍了分析大数据必不可少的工具,提供一些重要的建模和预测技术,并借助丰富的实验来解释如何用R语言实现统计学习方法。论题包括线性回归、分类、重抽样方法、压缩方法、基于树的方法、支持向量机、聚类等,作者借助彩图和实际案例直观解释这些方法。为了读者更好地理解书中内容,每章后还配有丰富的概念性和应用性练习题。

  书中内容与《The Elements of Statistical Learning》的大部分内容相同,但是本书起点低,弱化了数学推导的细节,更注重方法的应用,所以更适合作为入门教材。当然,这本《统计学习导论》不仅是优秀的“统计学习”或“机器学习”课程的教材,也是数据挖掘、数据分析等相关从业者不可或缺的参考书。

Gareth James 斯坦福大学统计学博士毕业,师从Trevor Hastie。现为南加州大学马歇尔商学院统计学教授,美国统计学会会士,数理统计协会终身会员,新西兰统计协会会员。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主编。

  Daniela Witten 斯坦福大学统计学博士毕业,师从Robert Tibshirani。现为华盛顿大学生物统计学副教授,美国统计学会和国际数理统计协会会士,《Journal of Computational and Graphical Statistics》和《Biometrika》等期刊副主编。

  Trevor Hastie 美国统计学家和计算机科学家,斯坦福大学统计学教授,英国皇家统计学会、国际数理统计协会和美国统计学会会士。Hastie参与开发了 R 中的大部分统计建模软件和环境,发明了主曲线和主曲面。

  Robert Tibshirani 斯坦福大学统计学教授,国际数理统计协会、美国统计学会和加拿大皇家学会会士,1996年COPSS总统奖得主,提出lasso方法。Hastie和Tibshirani都是统计学习领域的泰山北斗,两人合著《The Elements of Statistical Learning》,还合作讲授斯坦福大学的公开课《统计学习》。  

成为VIP会员查看完整内容
0
139

在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新,其中包含了大量的实际案例研究,向您展示了如何有效地解决广泛的数据分析问题。在这个过程中,您将学习最新版本的panda、NumPy、IPython和Jupyter。

本书由Python panda项目的创建者Wes McKinney编写,是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说,它是理想的。数据文件和相关材料可以在GitHub上找到。

  • 使用IPython外壳和Jupyter笔记本进行探索性计算
  • 学习NumPy (Numerical Python)中的基本和高级特性
  • 开始使用pandas库的数据分析工具
  • 使用灵活的工具来加载、清理、转换、合并和重塑数据
  • 使用matplotlib创建信息可视化
  • 应用panda groupby工具对数据集进行切片、切割和汇总
  • 分析和处理有规律和不规则的时间序列数据
  • 学习如何解决现实世界的数据分析问题与彻底的,详细的例子
成为VIP会员查看完整内容
0
115

时间序列分析一直是研究的热点,在很多场景都有应用。近期,IntechOpen发布一本由Chun-Kit Ngan编辑众多领域专家撰写的新书《Time Series Analysis:Data, Methods, and Applications》,总共六章,110页pdf,提供了时间序列分析的当前信息、发展和趋势,特别是在时间序列数据模式、技术方法和实际应用方面,是值的关注的一本书。

本书旨在为读者提供时间序列分析的当前信息、发展和趋势,特别是在时间序列数据模式、技术方法和实际应用方面。本书分为三节,每节包括两章。第一部分讨论了多元时间序列和模糊时间序列的分析。第2节着重于开发用于时间序列预测和分类的深度神经网络。第3节描述了如何使用时间序列技术解决实际领域的特定问题。本书包含的概念和技术涵盖了时间序列研究的主题,学生、研究人员、实践者和教授将对时间序列预测和分类、数据分析、机器学习、深度学习和人工智能感兴趣。

目录:

  • 第一章:Process Fault Diagnosis for Continuous Dynamic Systems Over Multivariate Time Series (多变量时间序列上连续动态系统的过程故障诊断)
  • 第二章:Fuzzy Forecast Based on Fuzzy Time Series (基于模糊时间序列的模糊预测)
  • 第三章:Training Deep Neural Networks with Reinforcement Learning for Time Series Forecasting (利用强化学习训练深度神经网络进行时间序列预测)
  • 第四章:CNN Approaches for Time Series Classification (CNN方法用于时间序列分类)
  • 第五章:Forecasting Shrimp and Fish Catch in Chilika Lake over Time Series Analysis (通过时间序列分析,预测了赤喀湖虾、鱼的捕捞量)
  • 第六章:Using Gray-Markov Model and Time Series Model to Predict Foreign Direct Investment Trend for Supporting China’s Economic Development (利用Gray马尔可夫模型和时间序列模型预测支持中国经济发展的外商直接投资趋势)
成为VIP会员查看完整内容
0
132
小贴士
相关VIP内容
专知会员服务
108+阅读 · 2020年7月5日
专知会员服务
64+阅读 · 2020年7月1日
专知会员服务
168+阅读 · 2020年6月24日
专知会员服务
123+阅读 · 2020年5月2日
专知会员服务
139+阅读 · 2020年4月29日
【经典书】Python数据数据分析第二版,541页pdf
专知会员服务
115+阅读 · 2020年3月12日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
29+阅读 · 2019年9月24日
相关论文
Davide Abati,Jakub Tomczak,Tijmen Blankevoort,Simone Calderara,Rita Cucchiara,Babak Ehteshami Bejnordi
5+阅读 · 2020年3月31日
Mining Disinformation and Fake News: Concepts, Methods, and Recent Advancements
Kai Shu,Suhang Wang,Dongwon Lee,Huan Liu
7+阅读 · 2020年1月2日
Optimization for deep learning: theory and algorithms
Ruoyu Sun
80+阅读 · 2019年12月19日
Advances and Open Problems in Federated Learning
Peter Kairouz,H. Brendan McMahan,Brendan Avent,Aurélien Bellet,Mehdi Bennis,Arjun Nitin Bhagoji,Keith Bonawitz,Zachary Charles,Graham Cormode,Rachel Cummings,Rafael G. L. D'Oliveira,Salim El Rouayheb,David Evans,Josh Gardner,Zachary Garrett,Adrià Gascón,Badih Ghazi,Phillip B. Gibbons,Marco Gruteser,Zaid Harchaoui,Chaoyang He,Lie He,Zhouyuan Huo,Ben Hutchinson,Justin Hsu,Martin Jaggi,Tara Javidi,Gauri Joshi,Mikhail Khodak,Jakub Konečný,Aleksandra Korolova,Farinaz Koushanfar,Sanmi Koyejo,Tancrède Lepoint,Yang Liu,Prateek Mittal,Mehryar Mohri,Richard Nock,Ayfer Özgür,Rasmus Pagh,Mariana Raykova,Hang Qi,Daniel Ramage,Ramesh Raskar,Dawn Song,Weikang Song,Sebastian U. Stich,Ziteng Sun,Ananda Theertha Suresh,Florian Tramèr,Praneeth Vepakomma,Jianyu Wang,Li Xiong,Zheng Xu,Qiang Yang,Felix X. Yu,Han Yu,Sen Zhao
16+阅读 · 2019年12月10日
Yanbin Liu,Juho Lee,Minseop Park,Saehoon Kim,Eunho Yang,Sungju Hwang,Yi Yang
19+阅读 · 2018年12月25日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
7+阅读 · 2018年9月25日
Learning Blind Video Temporal Consistency
Wei-Sheng Lai,Jia-Bin Huang,Oliver Wang,Eli Shechtman,Ersin Yumer,Ming-Hsuan Yang
3+阅读 · 2018年8月1日
Show, Tell and Discriminate: Image Captioning by Self-retrieval with Partially Labeled Data
Xihui Liu,Hongsheng Li,Jing Shao,Dapeng Chen,Xiaogang Wang
4+阅读 · 2018年7月23日
Jiyi Zhang,Hung Dang,Hwee Kuan Lee,Ee-Chien Chang
5+阅读 · 2018年4月4日
Zuxuan Wu,Ting Yao,Yanwei Fu,Yu-Gang Jiang
9+阅读 · 2018年2月22日
Top