引入新的平流费舍尔-劳度量用于概率测度优化

研究人员引入了一种新的平流费舍尔-劳度量，用于连续方程控制的概率测度优化任务。该度量被证明可以产生最优下降方向，并从三个不同角度得出：路径测度上费舍尔-劳度量的重标零噪声极限、Freidlin--Wentzell大偏差率泛函的二阶变分的期望值，以及动态最优输运的Benamou--Brenier作用泛函的Hessian。计算实验证实，该度量能有效拟合概率密度，这与Gauss--Newton方法关注速度场的做法形成对比。 AI

影响 引入了一种新颖的几何方法来优化概率测度，有望改进机器学习模型的训练和分析。

排序理由 该集群包含一篇详细介绍新数学度量及其计算实验的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• Benamou--Brenier
• CatalyzeX
• continuity equation
• DagsHub
• Fisher--Rao
• Freidlin--Wentzell
• Gotit.pub
• Hugging Face
• ScienceCast

• 论文
• 其他

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