实体
Expectation-Maximisation
Expectation-Maximisation
PulseAugur coverage of Expectation-Maximisation — every cluster mentioning Expectation-Maximisation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新方法实现机器学习的可微期望最大化
研究人员开发了新方法,使期望最大化(EM)算法(如高斯混合模型(GMM)等统计和机器学习任务的常用工具)能够进行端到端梯度传播。这一进展使得EM能够集成到现代学习流程中。该工作还引入了一种可微EM的新应用,用于计算GMM之间的混合Wasserstein距离($\mathrm{MW}_2$),使其能够用作各种成像和机器学习应用(包括图像生成和纹理合成)中的可微损失函数。
-
新的NAS框架优化混合专家模型
研究人员开发了一个新颖的神经架构搜索(NAS)框架,该框架专门针对混合专家(MoE)模型进行设计。这种新方法显式地优化数据簇与单个专家之间的对齐,并将此分配视为一个可搜索的变量。该方法采用广义期望最大化过程,利用自适应精炼的代理模型来处理复杂的计算,并在图像分类和时间序列预测任务中成功恢复了底层域分区,性能优于基线MoE和NAS方法。