实体
Doob h transform
Doob h transform
PulseAugur coverage of Doob h transform — every cluster mentioning Doob h transform across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新研究利用模拟设备噪声实现持续学习
研究人员开发了一种名为内在噪声整合（INC）的新方法，该方法利用模拟神经形态硬件中固有的噪声来改进持续学习。通过将突触动力学以记忆关键屏障为条件，INC将设备噪声从准确性障碍转变为记忆巩固的资源。这种方法在Split-MNIST和真实的BrainScaleS-2硅上展示了顺序任务保持能力的显著提高，优于传统的锚定漂移方法。
-
新的扩散模型采样方法促进了多样化的输出
研究人员开发了一种从扩散模型中采样的创新方法，该方法能够促进生成输出的多样性。这种方法被称为方差倾斜扩散模型（Variance-Tilted Diffusion Models），它使用方差加权的批次分布，在经过线性特征映射后，倾向于选择具有较大经验分布范围的样本集。该采样器被推导为独立扩散动力学的Doob h-变换，它包含一个排斥后验去噪均值的相互作用项和一个将粒子移向更高特征方差区域的曲率项。
-
新的方差倾斜扩散模型增强了样本多样性
研究人员开发了一种名为方差倾斜扩散模型的新方法，以提高扩散模型生成的样本的多样性。该方法引入了方差加权批处理分布，鼓励在应用线性特征映射后生成具有显著分布的样本集合。该方法是从独立扩散动力学的Doob h-变换推导出来的，从而产生了一个旨在实现概率目标而非启发式漂移的交互粒子采样器。