会员服务
偏好学习 · ECML-PKDD ·
2021 年 6 月 10 日
【PKDD2021】成对偏好学习，109页ppt，Pairwise Preference Learning
专知会员服务
专知会员服务
专知，提供专业可信的知识分发服务，让认知协作更快更好！

使用两两排序数据分析偏好有很长一段历史，是几个研究领域的核心，包括机器学习、统计学、运算学、博弈论、社会选择和理论计算机科学，应用范围包括广告投放、投票、体育排名、多标准决策等等。上述每个领域的研究都是独立发展的，通常它们之间没有很多互动。本教程的主要目的是概述偏好学习方面令人兴奋的最新进展，重点介绍被动、主动、强盗和社会选择相关背景下的两两偏好学习。

https://www.pakdd2021.org/Programme/tutorials

成为VIP会员查看完整内容
https://www.pakdd2021.org/Programme/tutorials
Recent Advances in Pairwise Preference Learning
21

相关内容

【ICML2021-教程】无监督强化学习，285页ppt
专知会员服务
80+阅读 · 2021年7月23日
【NeurIPS2020】因果推断学习教程，70页ppt
【NeurIPS2020】因果推断学习教程，70页ppt
专知会员服务
199+阅读 · 2020年12月12日
【PKDD2020教程】机器学习不确定性，附88页ppt与视频
【PKDD2020教程】机器学习不确定性，附88页ppt与视频
专知会员服务
96+阅读 · 2020年10月18日
元学习(meta learning) 最新进展综述论文
元学习(meta learning) 最新进展综述论文
专知会员服务
281+阅读 · 2020年5月8日
【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf
【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf
专知会员服务
135+阅读 · 2020年4月14日
【CVPR2020-北交】图匹配组合求解器，Learning Combinatorial Solver GM
【CVPR2020-北交】图匹配组合求解器，Learning Combinatorial Solver GM
专知会员服务
28+阅读 · 2020年4月11日
【SIGMOD2020】稀疏数据半监督学习的分解图表示，Factorized Graph Representations for Semi-Supervised Learning from Sparse Data
【SIGMOD2020】稀疏数据半监督学习的分解图表示，Factorized Graph Representations for Semi-Supervised Learning from Sparse Data
专知会员服务
15+阅读 · 2020年3月7日
【SIGMOD2020】稀疏数据半监督学习的分解图表示，Factorized Graph Representations
【SIGMOD2020】稀疏数据半监督学习的分解图表示，Factorized Graph Representations
专知会员服务
19+阅读 · 2020年3月6日
【AAAI2020教程】强化学习中的Exploration-Exploitation in Reinforcement Learning
专知会员服务
102+阅读 · 2020年2月8日
Deep Learning for Graphs: Models and Applications，密歇根州立大学唐继良助理教授，CIPS ATT 16（2019）
Deep Learning for Graphs: Models and Applications，密歇根州立大学唐继良助理教授，CIPS ATT 16（2019）
专知会员服务
54+阅读 · 2019年10月25日
AACL2020最新《可解释人工智能与自然语言处理可解释性》教程，附159页ppt与视频
AACL2020最新《可解释人工智能与自然语言处理可解释性》教程，附159页ppt与视频
专知
25+阅读 · 2020年12月6日
【KDD2020-Tutorial】因果推理与稳定学习，Causal Inference and Stable Learning
【KDD2020-Tutorial】因果推理与稳定学习，Causal Inference and Stable Learning
专知
11+阅读 · 2020年8月28日
最新《深度生成式模型进展》视频报告，43页ppt，斯坦福Aditya Grover
最新《深度生成式模型进展》视频报告，43页ppt，斯坦福Aditya Grover
专知
13+阅读 · 2020年8月9日
浅谈主动学习（Active Learning）
浅谈主动学习（Active Learning）
凡人机器学习
32+阅读 · 2020年6月18日
元迁移学习的小样本学习，Meta-transfer Learning for Few-shot Learning，33页ppt
元迁移学习的小样本学习，Meta-transfer Learning for Few-shot Learning，33页ppt
专知
72+阅读 · 2020年2月29日
【麻省理工学院MIT】图神经网络的泛化与表示极限，Generalization Representation limit GNN
【麻省理工学院MIT】图神经网络的泛化与表示极限，Generalization Representation limit GNN
专知
4+阅读 · 2020年2月24日
【新书】深度学习搜索，Deep Learning for Search，327页pdf
【新书】深度学习搜索，Deep Learning for Search，327页pdf
专知
85+阅读 · 2020年1月19日
【微软Alekh等开放新书】强化学习理论与算法，83页pdf，了解最新进展
【微软Alekh等开放新书】强化学习理论与算法，83页pdf，了解最新进展
专知
25+阅读 · 2019年11月23日
《Machine Learning for Humans》第五章：无监督学习
《Machine Learning for Humans》第五章：无监督学习
论智
8+阅读 · 2018年5月25日
推荐｜机器学习中的模型评价、模型选择和算法选择！
推荐｜机器学习中的模型评价、模型选择和算法选择！
全球人工智能
10+阅读 · 2018年2月5日
Contrastive Learning with Adversarial Examples
Arxiv
5+阅读 · 2020年10月22日
A Survey of Adversarial Learning on Graphs
Arxiv
38+阅读 · 2020年3月10日
Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences
Arxiv
6+阅读 · 2019年2月17日
Optimization Models for Machine Learning: A Survey
Arxiv
18+阅读 · 2019年1月16日
Learning Graph Embedding with Adversarial Training Methods
Learning Graph Embedding with Adversarial Training Methods
Arxiv
6+阅读 · 2019年1月4日
Generative Dual Adversarial Network for Generalized Zero-shot Learning
Arxiv
7+阅读 · 2018年11月12日
Unsupervised Meta-Learning for Reinforcement Learning
Arxiv
8+阅读 · 2018年6月12日
Inductive Representation Learning on Large Graphs
Arxiv
3+阅读 · 2018年4月10日
Handling Homographs in Neural Machine Translation
Arxiv
3+阅读 · 2018年3月28日
Deep Gaussian Embedding of Graphs: Unsupervised Inductive Learning via Ranking
Arxiv
5+阅读 · 2018年2月27日
VIP会员
相关主题
偏好学习
ECML-PKDD
最新内容
世界模型入门：从序贯决策到通用智能体
世界模型入门：从序贯决策到通用智能体
专知会员服务
1+阅读 · 10月24日
综述｜时间序列异常检测：从方法分类到可信评估与统一模型
综述｜时间序列异常检测：从方法分类到可信评估与统一模型
专知会员服务
1+阅读 · 10月24日
综述｜长文档视觉问答：从读懂页面到获取充分证据
综述｜长文档视觉问答：从读懂页面到获取充分证据
专知会员服务
4+阅读 · 10月23日
综述｜通过视频理解、生成与交互世界：迈向统一视频世界模型
综述｜通过视频理解、生成与交互世界：迈向统一视频世界模型
专知会员服务
2+阅读 · 10月23日
《信息速度战争：数据传输、决策优势与军事太空通信的未来》智库报告
《信息速度战争：数据传输、决策优势与军事太空通信的未来》智库报告
专知会员服务
10+阅读 · 10月22日
《用于实时健康与位置跟踪的物联网赋能智能士兵监测系统》
《用于实时健康与位置跟踪的物联网赋能智能士兵监测系统》
专知会员服务
7+阅读 · 10月22日
《强化学习与老虎机策略选择在即时战略游戏中的应用》
《强化学习与老虎机策略选择在即时战略游戏中的应用》
专知会员服务
6+阅读 · 10月22日
军事域更好使用人工智能的实用指南
军事域更好使用人工智能的实用指南
专知会员服务
8+阅读 · 10月22日
《衡量语言模型中的作战规划能力》
《衡量语言模型中的作战规划能力》
专知会员服务
13+阅读 · 10月20日
Maven智能系统：帕兰提尔军事人工智能平台详解
Maven智能系统：帕兰提尔军事人工智能平台详解
专知会员服务
15+阅读 · 10月20日
《加速情报分发：利用MAVEN AIP智能体工作室优化人力情报报告》
《加速情报分发：利用MAVEN AIP智能体工作室优化人力情报报告》
专知会员服务
16+阅读 · 10月20日
《测试自动化框架在敏捷软件开发中的角色》
《测试自动化框架在敏捷软件开发中的角色》
专知会员服务
8+阅读 · 10月20日
俄罗斯如何拦截乌克兰无人机与巡航导弹
俄罗斯如何拦截乌克兰无人机与巡航导弹
专知会员服务
12+阅读 · 10月15日
《封锁、捕获与打击：“史诗怒火”行动中经济战法的复兴》
《封锁、捕获与打击：“史诗怒火”行动中经济战法的复兴》
专知会员服务
13+阅读 · 10月15日
《武器-目标分配问题：精确与近似求解算法》
《武器-目标分配问题：精确与近似求解算法》
专知会员服务
17+阅读 · 10月15日
相关VIP内容
【ICML2021-教程】无监督强化学习，285页ppt
专知会员服务
80+阅读 · 2021年7月23日
【NeurIPS2020】因果推断学习教程，70页ppt
【NeurIPS2020】因果推断学习教程，70页ppt
专知会员服务
199+阅读 · 2020年12月12日
【PKDD2020教程】机器学习不确定性，附88页ppt与视频
【PKDD2020教程】机器学习不确定性，附88页ppt与视频
专知会员服务
96+阅读 · 2020年10月18日
元学习(meta learning) 最新进展综述论文
元学习(meta learning) 最新进展综述论文
专知会员服务
281+阅读 · 2020年5月8日
【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf
【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf
专知会员服务
135+阅读 · 2020年4月14日
【CVPR2020-北交】图匹配组合求解器，Learning Combinatorial Solver GM
【CVPR2020-北交】图匹配组合求解器，Learning Combinatorial Solver GM
专知会员服务
28+阅读 · 2020年4月11日
【SIGMOD2020】稀疏数据半监督学习的分解图表示，Factorized Graph Representations for Semi-Supervised Learning from Sparse Data
【SIGMOD2020】稀疏数据半监督学习的分解图表示，Factorized Graph Representations for Semi-Supervised Learning from Sparse Data
专知会员服务
15+阅读 · 2020年3月7日
【SIGMOD2020】稀疏数据半监督学习的分解图表示，Factorized Graph Representations
【SIGMOD2020】稀疏数据半监督学习的分解图表示，Factorized Graph Representations
专知会员服务
19+阅读 · 2020年3月6日
【AAAI2020教程】强化学习中的Exploration-Exploitation in Reinforcement Learning
专知会员服务
102+阅读 · 2020年2月8日
Deep Learning for Graphs: Models and Applications，密歇根州立大学唐继良助理教授，CIPS ATT 16（2019）
Deep Learning for Graphs: Models and Applications，密歇根州立大学唐继良助理教授，CIPS ATT 16（2019）
专知会员服务
54+阅读 · 2019年10月25日
热门VIP内容
相关资讯
AACL2020最新《可解释人工智能与自然语言处理可解释性》教程，附159页ppt与视频
AACL2020最新《可解释人工智能与自然语言处理可解释性》教程，附159页ppt与视频
专知
25+阅读 · 2020年12月6日
【KDD2020-Tutorial】因果推理与稳定学习，Causal Inference and Stable Learning
【KDD2020-Tutorial】因果推理与稳定学习，Causal Inference and Stable Learning
专知
11+阅读 · 2020年8月28日
最新《深度生成式模型进展》视频报告，43页ppt，斯坦福Aditya Grover
最新《深度生成式模型进展》视频报告，43页ppt，斯坦福Aditya Grover
专知
13+阅读 · 2020年8月9日
浅谈主动学习（Active Learning）
浅谈主动学习（Active Learning）
凡人机器学习
32+阅读 · 2020年6月18日
元迁移学习的小样本学习，Meta-transfer Learning for Few-shot Learning，33页ppt
元迁移学习的小样本学习，Meta-transfer Learning for Few-shot Learning，33页ppt
专知
72+阅读 · 2020年2月29日
【麻省理工学院MIT】图神经网络的泛化与表示极限，Generalization Representation limit GNN
【麻省理工学院MIT】图神经网络的泛化与表示极限，Generalization Representation limit GNN
专知
4+阅读 · 2020年2月24日
【新书】深度学习搜索，Deep Learning for Search，327页pdf
【新书】深度学习搜索，Deep Learning for Search，327页pdf
专知
85+阅读 · 2020年1月19日
【微软Alekh等开放新书】强化学习理论与算法，83页pdf，了解最新进展
【微软Alekh等开放新书】强化学习理论与算法，83页pdf，了解最新进展
专知
25+阅读 · 2019年11月23日
《Machine Learning for Humans》第五章：无监督学习
《Machine Learning for Humans》第五章：无监督学习
论智
8+阅读 · 2018年5月25日
推荐｜机器学习中的模型评价、模型选择和算法选择！
推荐｜机器学习中的模型评价、模型选择和算法选择！
全球人工智能
10+阅读 · 2018年2月5日
相关论文
Contrastive Learning with Adversarial Examples
Arxiv
5+阅读 · 2020年10月22日
A Survey of Adversarial Learning on Graphs
Arxiv
38+阅读 · 2020年3月10日
Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences
Arxiv
6+阅读 · 2019年2月17日
Optimization Models for Machine Learning: A Survey
Arxiv
18+阅读 · 2019年1月16日
Learning Graph Embedding with Adversarial Training Methods
Learning Graph Embedding with Adversarial Training Methods
Arxiv
6+阅读 · 2019年1月4日
Generative Dual Adversarial Network for Generalized Zero-shot Learning
Arxiv
7+阅读 · 2018年11月12日
Unsupervised Meta-Learning for Reinforcement Learning
Arxiv
8+阅读 · 2018年6月12日
Inductive Representation Learning on Large Graphs
Arxiv
3+阅读 · 2018年4月10日
Handling Homographs in Neural Machine Translation
Arxiv
3+阅读 · 2018年3月28日
Deep Gaussian Embedding of Graphs: Unsupervised Inductive Learning via Ranking
Arxiv
5+阅读 · 2018年2月27日
微信扫码咨询专知VIP会员
Top