Gaussian function
PulseAugur coverage of Gaussian function — every cluster mentioning Gaussian function across labs, papers, and developer communities, ranked by signal.
- used by Gotit.pub 70%
- instance of Gotit.pub 70%
- instance of Laplace 70%
- used by Monte Carlo 70%
- used by Laplace 70%
- used by optimal transport 70%
- instance of optimal transport 70%
- instance of ScienceCast 60%
- used by alphaXiv 60%
- instance of CatalyzeX 60%
- used by CatalyzeX 60%
- used by Influence Flower 60%
15 天有情绪数据
-
新的SCORE框架可有效近似高斯目标的协方差矩阵
研究人员开发了SCORE，一个用于高维高斯目标中协方差矩阵近似的新型框架，该框架基于神经网络的预测建模。该方法将学习任务分解为边缘分布和结构化相关矩阵，从而能够以线性存储和O(d log d)的成本进行高效计算。SCORE利用了用于训练的闭式高斯核分数，该分数对退化协方差具有鲁棒性并提供有界梯度。该框架在包括时间序列预测、单目深度估计和空间天气预测在内的各种任务中，均已证明了性能的提高和计算成本的降低。
-
研究论文探讨神经叠加态中的计算
一篇题为“球与盒子：叠加态中的两种计算几何”的新研究论文探讨了神经表征如何编码比其维度更多的特征，这种现象被称为叠加态。该研究侧重于从这些表征计算布尔门所需的维度。它为具有高斯随机字典和稀疏布尔输入的单层阈值在两种误差标准下推导出了严格的维度阈值。论文指出，预期的误差计数趋近于零可能比确保每个输出高概率正确性需要更多的维度，并将这种差距归因于共享读取，因为稀有实现可能同时导致多个错误。
-
新理论解释了VAE表示学习中的谱不稳定性
研究人员开发了一个新的理论框架来理解变分自编码器（VAE）中的逐维后验坍塌。通过将负证据下界视为有效自由能，他们定义了一个高斯理论，其中Hessian矩阵代表潜在的涨落质量。这种方法将坍塌的方向识别为不变的涨落扇区，并使用条件残差算子推导出它们的质量谱。研究结果表明，当解码器方差下降到特定谱阈值以下时，局部重新激活方向可以降低自由能，这标志着一个边缘点。
-
新框架支持从视频流实时重建3D和4D场景
两篇新的研究论文S2Tok和DynStream，引入了用于从流式视频进行实时3D和4D场景重建的新颖框架。S2Tok利用持久化空间令牌和基于Transformer的方法来维护动态场景状态，无需缓存先前帧即可进行渲染。DynStream通过处理局部时间窗口并将其融合到全局一致的场景中，专注于从无姿态视频流重建动态4D场景，在动态环境中取得了最先进的性能。
-
新论文分析UCB策略的分配稳定性和Wald推断
一篇题为“方差感知UCB下的分配稳定性和Wald推断”的新研究论文探讨了高斯推断从老虎机数据中获得合理性的条件。该研究聚焦于一个双臂、固定视野的方差感知UCB策略，确定了一个与奖励差距和方差相关的严格标准，该标准决定了最优臂计数的稳定性。虽然最优臂计数可能不稳定，但该论文证明，在特定条件下，臂均值线性组合的普通Wald统计量可以达到标准正态极限，尽管对确定性系数的均匀近似取决于最优臂计数的稳定性。
-
新的扩散互信息方法增强了生成模型的控制能力
研究人员推出了一种新方法——扩散互信息（SMI），用于控制隐式生成模型中的统计依赖性。传统的互信息（MI）由于密度难以计算，在这些模型中难以直接评估。SMI通过在噪声水平上积分MI来解决这个问题，这是通过将扩散核应用于生成变量来实现的。这种方法，特别是使用高斯扩散时，可以平滑密度并扩展梯度构造以处理潜在的奇异分布，从而提供有效的依赖性控制，并且与现有的特定任务方法相比具有竞争力。
-
贝叶斯神经网络：似然退火影响分析
研究人员调查了似然退火对变分贝叶斯线性神经网络的影响。他们发现，在宽网络中，高斯均场变分推断会导致“先验主导”，即随着网络宽度的增加，变分预测分布会折叠到先验预测分布。该研究推导了具有各向同性高斯先验的单隐藏层线性网络的极限预测分布在特定退火计划下的情况，揭示了不同尺度下预测期望和方差的相变。研究结果表明，通过适当选择退火参数，可以恢复神经网络高斯过程的后验期望或方差。
-
新的扭曲流方法改进了贝叶斯逆问题采样
研究人员开发了“联合扭曲流”（joint twist-flow），这是一种用于贝叶斯逆问题的新型表述，可增强后验采样。该方法学习增强源状态和终端状态之间的连续传输，并结合了高斯似然侧坐标，以在不牺牲后验变异性的情况下提高观测一致性。该技术已在图像恢复和地震地下速度模型反演任务中得到验证，与现有的条件流基线相比，在保留多模态后验支持方面表现更好。
-
新框架支持混合离散/连续因果模型的反事实推断
研究人员开发了一个新的概率框架，用于高斯过程结构因果模型（GP-SCMs）中的反事实推断。该框架将适用性扩展到具有离散子节点和连续父节点的因果图，解决了先前主要处理连续变量的模型的局限性。新方法使用显式的外生噪声机制和针对二元、名义和有序离散结果的特定溯因程序，确保准确传播溯因噪声并考虑GP潜在函数中的不确定性。
-
先验拟合网络通过上下文学习实现统计自适应
研究人员分析了像TabPFN这样的先验拟合网络（PFNs）如何在学习中实现统计自适应。在一个受控的位置估计问题中，他们发现PFNs能够学习区分不同的数据生成模型（如高斯分布或均匀分布），并相应地调整其估计策略。研究表明，这些网络中的注意力机制计算经验累积量生成函数的导数，使它们能够形成在样本均值和中程之间进行插值的估计器。通过混合或门控线性单元组合注意力专家，并分析梯度流，研究表明PFNs通过充分的预训练可以在各种任务中实现近乎最优的性能。
-
新评估方法提供无偏AI模型评估
研究人员推出了一种名为“Holdout Best-of-N”的新型机器学习模型评估方法，旨在提供无偏评估。该方法解决了在评估中使用用于选择的分数时夸大模型性能的问题。通过采用使用新分数进行选择的策略，该方法确保在各种分数分布下进行无偏评估，特别是对于高斯分数，其最小最大风险为 $\sigma^2/\sqrt K$ 阶。该系统设计为计算高效，有界分数的循环评估在池大小上具有统一的 $O(K^{-1})$ 风险。
-
新的 Vine Copula VAR 模型提高了联合事件预测的准确性
研究人员开发了一种名为 Vine Copula VAR 的新统计模型，旨在通过考虑重叠的估计误差来改进联合事件预测。该模型结合了过去预测误差的依赖性估计和新估计的边际分布。导出的协方差估计器为固定的单边事件概率提供了渐近有效的区间，蒙特卡洛模拟表明终端边际不确定性比额外的协方差项更重要。将其应用于美国宏观经济发布，证明了该模型量化联合收缩预测概率不确定性的能力。
-
新基准检测协调的AI代理侦察攻击
研究人员开发了SwarmReconGuard，一个旨在检测代理群体进行的分布式集体侦察（DCR）的新基准系统。DCR涉及大量单独行为良性但集体上收集广泛系统知识的代理。该研究评估了各种检测方法，发现高斯似然比检测在已知攻击上实现了完美的准确率，但在处理未见过策略时遇到困难。混合CUSUM方法显示出潜力，在规模化应用中以极少的误报率达到了高检测率。
-
新研究质疑梯度下降方法的最优性
两篇新研究论文探讨了梯度下降算法在机器学习中的理论基础和实际应用。第一篇论文分析了自然梯度下降（NGD），根据参数维度和函数属性确定了三个区域，对于高斯协方差等某些族，NGD的效率随着维度的对数而增长。第二篇论文证明，对于标准的凸优化，即使在无噪声情况下，梯度下降（或SGD）的最终迭代也无法在不知道总步数的情况下达到最优收敛速率。
-
新的 S2-PINN 方法在随机偏微分方程的不确定性量化方面取得进展
研究人员开发了 S$^{2}$-PINN，这是一种用于随机偏微分方程不确定性量化_的新方法。该方法利用了可学习的高斯空间字典、傅里叶时间特征和广义多项式混沌 (gPC) 随机基，所有这些都通过低秩的 Canonical Polyadic (CP) 张量分解进行集成。S$^{2}$-PINN 使用混合损失函数进行训练，并在包括泊松、达西和 Navier-Stokes 问题在内的各种基准测试中，与九种基线方法相比，在准确性和校准方面均表现出优越性。
-
新论文呼吁对时间序列预测模型进行基于场景的压力测试
一篇新发表在arXiv上的论文认为，当前时间序列预测（TSF）的基准不足以应对实际部署。作者认为，现有的压力测试，通常侧重于高斯噪声或对抗性扰动，未能捕捉到已部署系统的复杂故障模式。这些故障可能源于改变时间动态、破坏依赖关系或从故障传感器传播的结构化事件。该论文提倡基于场景的压力测试，这将涉及根据明确的故障算子和可测量的难度级别来评估模型，使评估更具可解释性和与部署相关性。
-
深度自注意力网络通过深度实现通用插值
研究人员在深度残差自注意力网络中展示了通用插值能力，这是学习架构受益于缩放定律的关键特性。该研究侧重于完全通过深度实现近似能力，并在层之间进行显著的参数共享，其灵感来源于 Looped Transformers 等模型。他们的主要发现表明，一组固定的、冻结的两个单头块，并带有高斯初始化的投影矩阵，可以将任何序列集合映射到任何其他序列集合，应用顺序和持续时间会适应特定的插值任务。这对于连续和有限深度的残差 softmax 注意力都成立，…
-
AI模型学会无需监督即可从传感器偏移中自我修复
研究人员开发了一种新颖的方法，使循环神经网络集成能够实时地、无需监督地进行自我修复并适应分布偏移。该方法使用一种集成，其中每个网络处理观察值的掩码子集，并通过顺序卡尔曼融合组合它们的输出。这种共识随后充当自监督标签，用于微调单个网络，使它们在传感器故障或漂移后能够恢复接近原始的性能，优于标准集成。
-
新的MTS-SLDS框架模拟多时间尺度神经动力学
研究人员开发了一个名为多时间尺度切换线性动力学系统（MTS-SLDS）的新框架，以更好地理解神经计算。该模型旨在从神经记录中识别特定状态下的潜在时间尺度，解决了传统自相关拟合方法在处理高维数据和不断变化的行为条件时的局限性。MTS-SLDS框架结合了多滞后矩初始化和状态条件下的拉普拉斯-EM推断，可以直接从学习到的潜在转移矩阵中提取特征时间尺度。使用高斯和泊松观测的合成和真实神经数据的实验表明，MTS-SLDS可以准确地恢复时间尺度和切换结构。
-
新的扩散模型PhysDEM可从稀疏数据生成时空场
研究人员开发了PhysDEM，一个新颖的物理定义的扩散框架，旨在从有限的测量数据生成时空物理场。该方法将控制偏微分方程与稀疏观测数据相结合，以产生多个合理场结果。PhysDEM通过用PDE残差能量重新加权测量条件的高斯参考来构建吉布斯目标，然后将去噪简化为监督学习任务。该框架能够进行有效的采样和连贯的场恢复，在场评估应用中具有价值。