Multi-utility Learning: Structured-Output Learning with Multiple Annotation-Specific Loss Functions

D. Vetrov; Kohli P.; Osokin A.; Shapovalov R. V.

Публикации

?

Multi-utility Learning: Structured-Output Learning with Multiple Annotation-Specific Loss Functions

Lecture Notes in Computer Science. 2015. Vol. 8932. P. 406–420.

Ветров Д. П., Kohli P., Osokin A., Shapovalov R. V.

Приоритетные направления: компьютерно-математическое

Язык: английский

Ключевые слова: probabilistic graphical models

ML-based Fast Simulation of FARICH Responses

Шипилов Ф. А., Barnyakov A., Ivanov A. и др., / Series Physics "arxiv.org". 2026.

Добавлено: 19 мая 2026 г.

Natural hazard database from Internet publications: text mining with a large language model

Деркачева А. А., Сакиркина М. А., Краев Г. Н. и др., /. 2026.

Добавлено: 28 апреля 2026 г.

Algorithmic overlaps as thermodynamic variables: from local to cluster Monte Carlo dynamics in critical phenomena

Пиле Я. Э., Deng Y., Щур Л. Н., / Series arXiv "math". 2026. No. 2604.10254.

Добавлено: 20 апреля 2026 г.

Using predefined vector systems to speed up neural network multimillion class classification

Gabdullin N., Андросов И. А., / Series Computer Science "arxiv.org". 2026.

Добавлено: 2 апреля 2026 г.

Iterative Ricci-Foster Curvature Flow with GMM-Based Edge Pruning: A Novel Approach to Community Detection

Сорокин К. С., Бекетов М. Е., Онучин А. и др., / arxiv.org. Серия cs.SI "Social and Information Networks ". 2025.

Обнаружение сообществ в сложных сетях — фундаментальная проблема, открытая для новых подходов в различных научных областях. Мы представляем новый метод обнаружения сообществ, основанный на потоке Риччи на графах. Наша техника итеративно обновляет веса ребер (их метрические длины) в соответствии с их (комбинаторной) версией кривизны Риччи Фостера, вычисленной на основе эффективного расстояния сопротивления между узлами. Известно, ...

Добавлено: 15 января 2026 г.

Implementing Transport Coding in OMNeT++ for Message Delay Reduction

Петрованов И. С., Сергеев А. В., / Series Computer Science "arxiv.org". 2025. No. 2512.18332.

Добавлено: 24 декабря 2025 г.

Hessian-based lightweight neural network for brain vessel segmentation on a minimal training dataset

Меньшиков И. А., Бернадотт А. К., Елфимов Н. С., / Series arXie "Statistical mechanics". 2025.

Добавлено: 1 декабря 2025 г.

How robust are different versions of graphical model selection algorithms

Kostylev Ilya, Kalyagin Valeriy, Operations Research Forum 2025 Vol. 6 Article 188

Добавлено: 26 ноября 2025 г.

Determining the boundary of dynamical chaos in the generalized Chirikov map via machine learning

Чернышов Д. П., Сатанин А. М., Щур Л. Н., / Series arXiv "math". 2025.

Добавлено: 21 ноября 2025 г.

Эффективный алгоритм торговли на фондовом рынке: ретроспективный анализ, основанный на данных по S&P-500.

Рубчинский А. А., Чубарова Д. А., / Series WP7 "Математические методы анализа решений в экономике, бизнесе и политике". 2025. No. WP7/2025/01.

Добавлено: 9 ноября 2025 г.

Comparison of statistical procedures for Gaussian graphical model selection

Гречихин И. С., /. 2017.

Graphical models are used in a variety of problems to uncover hidden structures. There is a huge number of different identification procedures, constructed for different purposes. However, it is important to research different properties of such procedures and compare them in order to find out the best procedure or the best use case for some ...

Добавлено: 20 октября 2017 г.

A Principled Deep Random Field Model for Image Segmentation

Kohli P., Осокин А. А., Jegelka S., , in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2013).: Portland: IEEE, 2013. P. 1971–1978.

Добавлено: 19 октября 2017 г.

Minimizing sparse high-order energies by submodular vertex-cover

Delong A., Veksler O., Осокин А. А. и др., , in: Advances in Neural Information Processing Systems 26 (NIPS 2012).: Lake Tahoe: Curran Associates, Inc., 2012.

Добавлено: 18 октября 2017 г.

Deep Part-Based Generative Shape Model with Latent Variables

Kirillov A., Gavrikov M., Лобачева Е. М. и др., , in: Proceedings of the 27th British Machine Vision Conference.: -, 2016. P. 1–12.

The Shape Boltzmann Machine (SBM) and its multilabel version MSBM have been recently introduced as deep generative models that capture the variations of an object shape. While being more flexible MSBM requires datasets with labeled parts of the objects for training. In the paper we present an algorithm for training MSBM using binary masks of ...

Добавлено: 24 февраля 2017 г.

Graphical Interpretations of Rank Conditions for Identification of Linear Gaussian Models

Арефьев Н. Г., / Series WP BRP "Basic research program". 2016. No. 124/EC/2016.

Добавлено: 14 апреля 2016 г.

Многоклассовая модель формы со скрытыми переменными

Кириллов А. Н., Гавриков М. И., Лобачева Е. М. и др., Интеллектуальные системы. Теория и приложения 2015 Т. 19 № 2 С. 75–95

В данной работе рассматриваются модели формы объектов на изображении: бинарная и многоклассовая модели Больцмана. Предлагается новый алгоритм обучения многоклассовой модели формы Больцмана, для применения которого достаточно неполной разметки данных, а именно: бинарной разметки и задания семян, указывающих приближенное расположение частей объектов. ...

Добавлено: 30 сентября 2015 г.

Submodular Relaxation for Inference in Markov Random Fields

Осокин А. А., Ветров Д. П., IEEE Transactions on Pattern Analysis and Machine Intelligence 2015 Vol. 37 No. 7 P. 1347–1359

In this paper we address the problem of finding the most probable state of a discrete Markov random field (MRF), also known as the MRF energy minimization problem. The task is known to be NP-hard in general and its practical importance motivates numerous approximate algorithms. We propose a submodular relaxation approach (SMR) based on a ...

Добавлено: 6 июля 2015 г.

Putting MRFs on a Tensor Train

Ветров Д. П., Осокин А. А., Родоманов А. О. и др., Journal of Machine Learning Research 2014

In the paper we present a new framework for dealing with probabilistic graphical models. Our approach relies on the recently proposed Tensor Train format (TT-format) of a tensor that while being compact allows for efficient application of linear algebra operations. We present a way to convert the energy of a Markov random field to the ...

Добавлено: 18 марта 2015 г.

Putting MRFs on a Tensor Train

Ветров Д. П., Осокин А. А., Новиков А. В. и др., , in: JMLR Workshop and Conference ProceedingsIssue 32: Proceedings of The 31st International Conference on Machine Learning.: Beijing: Microtome Publishing, 2014. P. 811–819.

Добавлено: 14 марта 2015 г.

Joint link-attribute user identity resolution in online social networks

Бартунов С. О., Korshunov A., Park S. и др., , in: Proceedings of the 6th International Conference on Knowledge Discovery and Data Mining, Workshop on Social Network Mining and Analysis.: ACM, 2012.

Добавлено: 4 марта 2015 г.

A theory of data-oriented identification with a SVAR application

Арефьев Н. Г., / NRU Higher School of Economics. Series WP BRP "Economics/EC". 2014. No. WP BRP 79/EC/2014.

Я предлагаю метод идентификации структурных векторных авторегрессий (SVAR) и систем одновременных уравнений (SEMs) с ортогональными структурными шоками, который использует тестируемые идентификационные ограничения. Если выполняются некоторые условия разряженности, предложенный метод позволяет найти набор тестируемых ограничений, достаточных для полной идентификации. Метод базируется на теории вероятностных моделей на графах и на теории идентификации SVAR и SEM, объединяя их ...

Добавлено: 28 ноября 2014 г.