Bures-Wasserstein
PulseAugur coverage of Bures-Wasserstein — every cluster mentioning Bures-Wasserstein across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的度量族优化协方差矩阵计算
一篇新研究论文介绍了一种新颖的双参数黎曼度量族，用于优化协方差矩阵。该族包含了欧几里得、Bures-Wasserstein 和仿射不变度量等常见选择，提供了一种更通用的方法。研究分析了黎曼Hessian的条件数，并证明了特定的参数选择可以优化性能，真实协方差数据的实验结果证实了这些预测。
-
新几何框架增强机器学习指标
研究人员开发了一个新的广义无限维Alpha-Procrustes几何框架，扩展了现有的Bures-Wasserstein和Log-Euclidean等指标。该形式主义基于单位化Hilbert-Schmidt算子和扩展的Mahalanobis范数，可以对这些距离进行稳健的无限维推广。该方法包括一个可学习的正则化参数，以提高高维比较中的几何稳定性，并在基准数据集的初步实验中显示出改进的性能。
-
新的MoRF-AST框架为结构监测校准AI不确定性
研究人员开发了MoRF-AST，一个用于结构监测的校准概率虚拟传感的新型框架。该方法解决了在运行条件偏离训练数据时保持准确不确定性估计的挑战。MoRF-AST构建了一个高斯参考后验，并使用在白化残差上训练的条件流。然后，一个仿射扩散传输（AST）组件利用历史测量值调整后验扩散，显著减少了跨域覆盖误差，同时保持了准确性。该方法旨在为土木和基础设施工程提供值得信赖的概率建模。
-
新的优化框架使用高斯混合模型处理鲁棒机会约束问题
研究人员开发了一种用于分布鲁棒线性机会约束问题的新方法，该方法利用高斯混合模型（GMM）来表示不确定性。通过允许最坏情况分布动态确定连续支持内的混合分量数量和位置，以及它们的均值和协方差，该方法改进了有限支撑分布鲁棒（FDR）公式。已创建一种自适应切割面算法来解决这些问题，该算法内生地确定接收质量的混合分量参数。一项关于电动汽车充电站能源分配的案例研究证明了该框架在满足可靠性目标方面的有效性。
-
ITSPACE方法优化高斯最优传输以实现协方差对齐
研究人员推出ITSPACE，一种用于优化Bures-Wasserstein (BW)目标的新方法，该目标源自高斯分布的Wasserstein-2最优传输差异。ITSPACE采用基于平方根分解的闭式更新的近端主化-最小化方法。该方法旨在成为协方差对齐的轻量级基元，在需要计算约束下从无标签目标批次进行适应的场景中特别有效。基准测试表明，ITSPACE在实现低BW间隙解决方案方面显著优于BW梯度下降和其他协方差几何方法。