研究人员开发了一个新颖的最优控制框架,使用单一的微分同胚流统一了监督分类和基于似然的密度估计。该方法利用再生核希尔伯特空间(RKHS)参数化,实现了精确且确定的散度计算。跨不同维度的实验表明,简化的Gauss-Newton和L-BFGS求解器在迭代次数和计算工作量方面达到了最先进的性能,并且一个可训练的高斯混合模型参考进一步改进了密度拟合。 AI
影响 引入了一个统一的分类和密度估计框架,可能改进生成建模技术。
排序理由 该集群包含一篇详细介绍新数学框架及其实验验证的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gaussian mixture model
- Gauss–Newton algorithm
- Gotit.pub
- Hugging Face
- Influence Flower
- Limited-memory BFGS
- reproducing kernel Hilbert space
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →