Gaussian function
PulseAugur coverage of Gaussian function — every cluster mentioning Gaussian function across labs, papers, and developer communities, ranked by signal.
22 天有情绪数据
-
新的XFactors框架实现了弱监督解耦表示学习
研究人员推出了一种新颖的弱监督变分自编码器框架XFactors，用于解耦表示学习。该方法将表示分解为特定的因子子空间和一个残差子空间，利用对比监督和InfoNCE损失来对齐目标因子。KL正则化在没有额外监督的情况下组织非目标因子的几何结构，避免了对抗性目标和辅助分类器。XFactors在包括CelebA在内的各种数据集上展示了最先进的解耦分数，并通过潜在替换实现了受控因子交换。
-
新的 Kime-表示公式解决了经典力学问题
一篇新近发表在 arXiv 上的论文提出了经典力学中三个长期存在的未解问题的全新公式。这些公式利用了“kime-表示”，并解决了与熵不确定性原理、坐标不变度量和熵的性质以及经典相对论定向自由度的构建相关的问题。该研究提供了数学框架和精确关系，并将 kime 相统计地解释为潜在的圆周随机变量。
-
HoloTetSphere 框架重建统一四面体网格用于模拟
研究人员开发了 HoloTetSphere，一个用于物理模拟的统一四面体网格重建的新框架。该方法通过同时优化拓扑和几何结构，避免了易出错的表面提取后进行四面体化的两阶段过程，从而解决了现有流程的局限性。HoloTetSphere 利用连续不透明度场以及网格平滑和渲染误差的联合最小化，生成可直接用于物理模拟的连贯、单连通四面体网格，在准确性和连通性方面优于当前最先进的技术。
-
FourierQK 技术通过频谱预处理提升 Transformer 注意力 · 已追踪 2 个来源
研究人员开发了一种名为 FourierQK 的新技术，通过对查询-键投影应用频谱预处理，显著增强了 Transformer 注意力机制。该方法在 TinyShakespeare 等字符级语言建模任务上进行了测试，与标准的点积注意力相比，错误率降低了高达 79%，取得了显著的性能提升。其优势归因于全局频域混合而非度量失真，并且该方法在架构上与 FNet 等先前方法不同。
-
新方法无需交叉验证即可估计稀疏精度矩阵
研究人员开发了一种估计稀疏精度矩阵的新颖方法，这对于理解高维数据中的条件依赖性至关重要。所提出的方法引入了一个闭式、矩阵值的正则化参数，该参数源自最优性条件的采样分布。该方法旨在消除对交叉验证的需求，提供可比的估计精度和卓越的支持恢复能力，同时显著缩短计算运行时间。该技术已在合成数据集以及基因微阵列和神经影像的实际应用中得到证明。
-
arXiv论文详述高斯平滑奇异测度的边界层渐近线
本文深入探讨了高斯平滑奇异测度的数学复杂性，重点关注其在边界层中的行为。研究人员分析了流形拐角处这些测度的小噪声渐近线，并为热正则化密度开发了两项展开。研究结果详细说明了几何特征（如边界、拐角和曲率）如何被编码在这些正则化的微分结构中，这对理解分数和Hessian变异具有启示意义。
-
新的RES-DARE框架增强了入侵检测系统的安全性和鲁棒性
研究人员推出了一种新颖的RES-DARE框架，旨在增强动态网络环境中入侵检测系统（IDS）的鲁棒性和安全性。该系统将误分类视为适应的信号而非丢弃，从而应对分布变化和不断演变的攻击行为的挑战。RES-DARE集成了几个组件，包括监督对比编码器、故障缓冲区机制和信任风险监视器，以实现自适应IDS行为。一个关键特性是AEHM-v2，一种回滚安全修复机制，只有在性能指标保持或提高时才提交适应，否则回滚到稳定状态。在CICIDS2017、UNS…
-
卷积神经过程在天气降尺度方面展现出潜力
研究人员探索了使用卷积条件神经过程（ConvCNPs）对天气数据进行降尺度，特别是瑞士的每日最高温度。ConvCNP模型改编自现有架构，并结合了高分辨率地形数据进行增强，其平均绝对误差为1.31摄氏度，相对于双线性插值的技能得分为0.524。消融研究强调了高程多层感知机（MLP）组件的关键作用，而季节性特征和地形位置指数提供了次要改进。研究还指出，虽然模型在输入稀疏的情况下能够良好运行，但它难以处理离网站点观测数据，并且由于其高斯似然…
-
贝叶斯模型获得混合权重精确后验计算 · arXiv论文
一篇新论文详细介绍了一种在分层贝叶斯模型中计算混合权重后验分布的精确方法。所提出的动态规划方法（带有用于提高效率的FFT变体）无需采样即可提供闭式后验摘要和可信区间。与EM、高斯和拉普拉斯近似等现有技术相比，该方法在小样本模型和特定生物分析中表现出优越的校准性和速度。
-
新的概率嵌入方法改进了视频中的无监督动作分割
研究人员开发了一种新的无监督视频时间动作分割方法，采用了概率嵌入。该方法使用高斯分布对帧表示进行建模，允许在伪标签估计之前进行采样，这有助于克服确定性嵌入方法中存在的局部最优问题。所提出的技术在各种数据集上已证明性能可与最先进技术相媲美或超越，与现有基线相比，在MoF和F1分数方面有了显著提高。
-
新方法改进了核 Stein 差异估计
研究人员开发了一种估计核 Stein 差异（KSD）的新方法，这是一种用于比较样本分布和评估近似推理的技术。该研究将 Stein 协方差算子的 Hilbert-Schmidt 范数确定为决定 minimax 风险的关键因素，建立了 \(\|C_\star\|_{\mathrm{HS}}/n\) 的新估计尺度。这种方法优于标准的 V 统计量，后者被证明对于某些分布和核来说是次优的。
-
使用高斯泼溅和光流实现3D火焰重建
研究人员开发了一种新颖的方法，使用基于高斯函数时空表示的3D动态火焰重建。该技术旨在通过分离静态背景和易挥发火焰区域，从有限数量的摄像机视图中捕捉火焰复杂的、高频的特征。该系统利用密集的多视图立体图像、单目深度先验以及从光流派生的3D流场来初始化火焰，其中单个3D高斯编码寿命和速度以实现精确的时间对齐。
-
新的几何框架分析机器学习模型中的循环表示
研究人员开发了一种名为有限滞后算子几何的新方法，用于分析机器学习模型中的循环表示。该方法通过检查观测到的源-后继对来测量隐藏状态的几何形状，并使用密集的高斯源平滑算子估计条件输运律。该框架将输运分解为条件扩散和相干位移，并用坐标环量量化定向滞后流，从而深入了解传统方法可能忽略的确定性循环运动。
-
PhysMani框架通过基于物理的3D世界模型增强AI物体操作能力
研究人员推出了一种名为PhysMani的新型框架，旨在改善具身AI在复杂3D环境中对快速移动物体的操作能力。该系统集成了基于物理的3D高斯世界模型和面向未来的动作策略。世界模型通过学习无散高斯速度场来预测物理约束下的未来动力学，而策略模型则利用交叉注意力机制整合这些预测。PhysMani在一个新的动态操作基准PhysMani-Bench上展示了优于现有方法的性能，该基准包含16个任务，并在模拟和真实机器人实验中进行了测试。
-
深度学习框架估计AR(p)过程的时变参数
研究人员开发了一个用于估计AR(p)过程时变参数的深度学习框架，能够捕捉复杂和非平稳的模式。该方法在适应高斯和拉普拉斯等不同噪声分布的同时，保持了透明的参数结构。该框架包括一个预测方案和不确定性量化，如预测区间，展示了其在预测复杂动态方面的灵活性。
-
深度学习估计AR(p)预测的时变参数
研究人员开发了一个新颖的预测框架，利用深度学习方法估计AR(p)过程中的时变参数。该方法能够捕捉复杂、非平稳的模式，同时保持清晰的参数结构。该框架旨在处理高斯分布和拉普拉斯分布的噪声，为各种预测场景提供稳健的不确定性量化和预测区间。
-
新的X-VAE框架调整高斯先验以提升自动编码器性能
研究人员推出了一种新颖的框架——eXact-Prior Variational Autoencoder (X-VAE)，旨在增强变分自编码器（VAE）。与依赖标准高斯先验的传统VAE不同，X-VAE利用从预训练自动编码器派生的数据自适应高斯混合先验。这种方法旨在更好地捕捉复杂的数据分布，从而提高重建准确性和生成样本的质量。X-VAE还包含一个潜在缩放因子，用于更精细地控制样本的多样性和保真度，使其适用于工业设计等需要精确生成的应用。
-
新的对偶全变分（DTV）正则化张量补全方法详解
研究人员开发了一种使用对偶全变分（DTV）正则化的新张量补全理论框架。该方法旨在处理指数族噪声，其中包含高斯和泊松等常见分布。提出的DTV正则化器能够捕捉梯度张量中的稀疏性和低秩结构，并且该研究建立了接近 minimax 下界的恢复误差的理论上限。在合成数据、图像和视频数据上的实验证明了该方法的有效性。
-
ITSPACE方法优化高斯最优传输以实现协方差对齐
研究人员推出ITSPACE，一种用于优化Bures-Wasserstein (BW)目标的新方法，该目标源自高斯分布的Wasserstein-2最优传输差异。ITSPACE采用基于平方根分解的闭式更新的近端主化-最小化方法。该方法旨在成为协方差对齐的轻量级基元，在需要计算约束下从无标签目标批次进行适应的场景中特别有效。基准测试表明，ITSPACE在实现低BW间隙解决方案方面显著优于BW梯度下降和其他协方差几何方法。
-
新的PAC-Bayesian方法为二次系统提供控制认证
研究人员开发了一种使用PAC-Bayesian界限来认证二次闭环控制系统的新方法。该方法通过采用系统级综合参数化来解决无界和非Lipschitz损失函数带来的挑战。该方法为控制响应上的后验分布提供了PAC-Bayes-Chernoff证书，并包含一个数据驱动的界限，该界限可以最小化以创建用于控制选择的学习算法。