Bayesian Learning of Dynamic Multilayer Networks
複数のコンテクスト下において、各因子（actor)間の関係が時間で変化していくようなデータ構造を考える。
コンテクストや時間依存関係を考慮する動的な多層ネットワークは従来あまり提案されてきていない。
本論では、bayesian non-parametric modelとlatent variable modelを用いてこれを実現する。
各因子のモデルは、潜在変数空間における、共有された、あるいはコンテクスト特有の特徴量を用いて表現される。
またそれら特徴はガウス過程で表現されるような時間依存性を持っている。
このモデルは次元削減を行いつつ、複数コンテクスト情報を取り入れ可能になっている。
さらにこのモデルに対するtractableな学習や推論手法を移転する。
Revisiting Causality Inference in Markov Chain Data
従来の因果推論は長い期間の観測データがなければ正確な推論は難しかった。
本論では因果推論は１次マルコフ連鎖の範囲でのイベンド前後の遷移情報の組み合わせだけで十分推論が可能だと考える。
本論ではこの考え方に基づいたcausality inference using composition accuracy(CICT)と呼ばれる効率的な手法を提案する。
入出力関係の組み合わせに基づいて、因果、効果、ランダムイベントの間の違いを明らかにする。
これを利用する事で実際の医療データを活用した患者の状態遷移とその因果推論を実践した。
Residual Networks of Residual Networks: Multilevel Residual Networks
resnetは多くの層を重ねる事で性能向上を可能にしたが、その分最適化を行うのは難しくなった。
本論では、resnet構造の上にresnetを重ねる事で最適化性能を改善する手法を提案する。
この手法では、通常のresnetに対して、さらに大きな枠（level）でのショートカットを導入する。
この手法は様々なresnetベースの手法に適用可能である。