新框架增强了随机场神经网络重构能力

研究人员引入了一个新的局部 Sinkhorn 散度框架，用于训练随机神经网络 (SNN) 来重构多维随机场。该框架利用去偏的 Sinkhorn 散度创建了一个可微分且高效的目标函数。该方法提供了理论泛化误差估计，并为精确局部最优传输提供了一个可扩展的替代方案，在科学机器学习中的不确定性量化方面平衡了几何保真度、统计效率和计算可扩展性。 AI

影响 该框架为科学机器学习应用中的不确定性量化提供了一种更具可扩展性和计算效率的方法。

排序理由 该集群包含一篇详细介绍新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Hugging Face
• multidimensional random fields
• optimal transport
• probabilistic scientific machine learning
• Sinkhorn divergence
• Stochastic Neural Networks
• uncertainty quantification

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →