PulseAugur
中
实时 00:04:45
English(EN) Distribution-Conditioned Transport

新的分布条件传输框架增强了机器学习模型的泛化能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的分布条件传输（DCT）框架，旨在增强传输模型的泛化能力。DCT通过将传输图谱条件化于源分布和目标分布的学习嵌入，使其即使在未在训练期间遇到的分布对下也能有效执行。该方法还通过利用仅在一个条件下观察到的分布来实现分布预测的半监督学习。该框架用途广泛，支持多种传输机制，包括流匹配和基于散度的模型，如Wasserstein和MMD。DCT的实际效用已在合成基准和四个生物应用中得到证明，例如分析单细胞基因组学数据和模拟T细胞受体序列演化。 AI

影响 增强了传输模型的泛化能力，有望改进科学预测和生物数据分析中的应用。

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

在 arXiv cs.LG 阅读 →

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

新的分布条件传输框架增强了机器学习模型的泛化能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Nic Fishman, Gokul Gowri, Paolo L. B. Fischer, Marinka Zitnik, Omar Abudayyeh, Jonathan Gootenberg ·

    分布条件传输

    arXiv:2603.04736v2 Announce Type: replace Abstract: Learning a transport model that maps a source distribution to a target distribution is a canonical problem in machine learning, but scientific applications increasingly require models that can generalize to source and target dis…

相关实体

相关话题