每日论文 | 深度卷积高斯过程；用多任务弱监督训练复杂模型；在时序数据中发现新连接类型

1

Deep convolutional Gaussian process

我们提出了深度卷积高斯过程，这是一种有着卷积结构的深度高斯过程架构，模型建立在贝叶斯框架之上，用于检测局部特征的分层组合，从而对图像进行分类。与目前的高斯过程方法相比，我们提出的方法在MNIST和CIFAR-10数据集上得到了很大的提升。特别是在CIFAR-10上，我们的方法比之前提高了10%的精确度。

地址：https://arxiv.org/abs/1810.03052

2

Training Complex Models with Multi-Task Weak Supervision

现在的机器学习模型越来越复杂，这使得收集大型标记训练集的难度越来越大，所以也有人使用更弱的监督形式，以较低成本获取标签，但也不可避免的有更多噪声。然而，这些弱监督源的准确度不好把控。于是我们提出了一种框架，能将这种弱监督源结合并建模，可以解决多种任务。

地址：https://arxiv.org/abs/1810.02840

3

Mining Novel Multivariate Relationships in Time Series Data Using Correlation Networks

在很多领域，一个重要的研究方向就是捕捉在复杂系统中的不同节点上表示的活动之间的关系。这篇论文中，我提出了一种新型的线性关系，称为多极关系（multipoles）。多极是一组时间序列，它们之间有很强的线性相关性，每个时间序列都对线性相关性有影响。这一关系在气象科学和神经科学领域有着重要帮助。

地址：https://arxiv.org/abs/1810.02950