研究人员开发了学习三角传输图的新方法,这对于密度估计和生成建模等概率建模任务至关重要。第一篇论文介绍了自组织传输图(SSTM),该图联合学习映射、变量排序和稀疏性模式,与先估计结构的方法相比,改进了密度估计。第二篇论文提出了一种在高质量数据稀缺时构建这些图的多保真度方法,通过分层或纠正策略利用低质量数据来增强图估计和下游基于仿真的推理。 AI
影响 三角传输图的进步可以改进密度估计、生成建模和基于仿真的推理任务。
排序理由 两篇在arXiv上发表的学术论文,详细介绍了三角传输图的新方法。
- alphaXiv
- arXiv
- BatchEnsemble
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- Multifidelity Formulations for Triangular Transport
- ScienceCast
- Self-Structuring Transport Maps
- SoftSort
- Triangular transport maps
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →