Bregman Divergences
PulseAugur coverage of Bregman Divergences — every cluster mentioning Bregman Divergences across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型端口哈密顿神经网络可处理多个稳定平衡点
研究人员开发了一种新型端口哈密顿神经网络，能够表示具有多个稳定平衡点的动力学系统。传统模型由于依赖于具有单一最小值的全局李雅普诺夫函数，因此仅限于具有单一吸引子的系统。新方法利用输入凸网络的Bregman散度乘积，能够表示更复杂的能量景观，如双势阱。这一进展允许进行局部李雅普诺夫稳定性认证，并在测试中显示出更快的收敛速度。
-
新框架将决策树与Bregman散度统一起来
研究人员通过利用Bregman散度（一类泛化了欧氏距离的损失函数族）引入了一个决策树的新型框架。该方法提供了一种统一的方法，可将决策树适配到各种统计模型和几何结构中，超越了CART等现有算法中常用的特设不纯度标准。该研究还深入探讨了这些广义树的理论特性，考察了生成凸函数的特性如何影响其稳定性和一致性。
-
新方法解决了AI答案级微调博弈中的偏见问题
研究人员开发了一种新方法来解决答案级微调（ALFT）算法中的偏见问题。该方法将分布对齐博弈框架推广到任意Bregman散度，使得能够使用U统计量为某些几何形状构建无偏估计量。对于标准的KL散度博弈，推导出了一个全局鲁棒的最小最大多项式估计量，达到了最优的统计误差极限。这项工作引入了一种方差最优增强多项式优化程序（AQP）估计量，该估计量可降低方差，从而改善偏差并加速博弈收敛，从而实现更稳定高效的训练。
-
Generalising maximum mean discrepancy: kernelised functional Bregman divergences
研究人员引入了一个新的函数式Bregman散度框架，将其应用扩展到希尔伯特空间和核方法。该方法利用这些空间的性质进行更方便的微积分和更容易的散度估计。该工作讨论了在聚类、通用估计、鲁棒估计和生成模型等领域的潜在应用。