Conditional mutual information
PulseAugur coverage of Conditional mutual information — every cluster mentioning Conditional mutual information across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架恢复VC学习的最优PAC保证
Steinke和Zakynthinou研究人员开发了一个使用条件互信息（CMI）分析学习算法信息复杂度的框架。他们的工作表明，通过这种CMI方法可以恢复VC类别的最优大概率近似正确（PAC）保证。具体来说，他们构建了一种随机学习算法，该算法实现了O(d)阶的已评估条件互信息（eCMI），其中“d”代表概念类的VC维度，从而在期望上实现了最优的泛化保证。
-
新研究探讨多智能体AI系统中的合作与通信 · 已追踪4个来源
研究人员开发了多智能体学习的新方法，重点在于增强人工智能智能体之间的合作与通信。一种方法，“具有合作驱动优化动态的多智能体学习”，提出小型神经网络可以通过共享预测和相互影响训练，集体表现优于单个大型神经网络。另一个框架，“多智能体正则化通信 (MARC)”，引入了一种新颖的鲁棒且高效的通信系统，特别是在通信瓶颈和有损信道下，这对于自动机器人网络等应用至关重要。
-
新方法使用张量网络恢复离散概率分布图谱
研究人员开发了一种使用全连接张量网络（FCTNs）重建离散概率分布道德图谱的新方法。该方法结合了核范数正则化的键校正，其中每个键矩阵都通过低秩校正进行调整。该方法证明，在特定假设下，具有零重建误差的最优FCTN将精确匹配道德图谱。对于近似场景，该技术提供了基于条件互信息的连续性的恢复界限，为解释优化键矩阵的有效图谱提供了直接途径。
-
新的arXiv论文探讨生成模型的半监督学习
两篇提交至arXiv的最新研究论文提出了针对条件生成模型的新型半监督学习技术。第一篇论文《通过标签增强实现的半监督条件扩散（LACD）》介绍了一种利用未标记数据的方法，为其分配一个微不足道的标签，理论上证明比纯监督方法收敛更快。第二篇论文《通过随机插值和充分表示实现的半监督条件生成学习（RepG）》侧重于将生成分解为潜在采样和重建阶段，以提高样本效率并缓解低标签场景下的维度灾难。