Exponential Families and Variance Component Models
PulseAugur coverage of Exponential Families and Variance Component Models — every cluster mentioning Exponential Families and Variance Component Models across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法为AI表征定义了特定于上下文的语义几何
研究人员引入了“Anchor Divergences”，一种定义学习向量表征的特定于上下文的语义几何的新方法。该方法利用对比学习、指数族和信息几何，在锚点上的概率分布与Bregman几何之间建立对应关系。通过对锚点分布进行建模，几何本身也得到建模，从而能够进行超越标准余弦相似度的更细致的相似性度量。实验表明，Anchor Divergences 有效且高效地指定了用于检索任务的依赖于上下文的语义相似性。
-
新的统计方法利用大型辅助数据集提高效率
本文探讨了通过将小型目标数据集与大型辅助数据集相结合来提高统计效率的方法。研究人员研究了两种主要方法：逆概率加权（IPW）和全似然（FL）方法。研究表明，虽然IPW在目标样本量小的情况下存在局限性，但FL可以实现显著的效率提升，甚至能以与辅助样本量相当的速率估计模型参数。文章探讨了指数族及其混合体的“完全效率增益”的理论基础，并讨论了将FL应用于神经网络模型进行预后的方法。
-
新框架FlowMSM识别非平稳时间序列中的因果结构
研究人员开发了一个名为FlowMSM的新框架，以应对识别非平稳时间序列数据中潜在状态和因果结构的挑战。该框架旨在处理复杂的动态，包括非线性和非高斯行为，以及变量之间的瞬时效应。该方法为潜在状态和依赖于状态的因果结构建立了理论可识别性，并在合成基准和金融经济学数据集上证明了其有效性。