Gaussian kernels have only Gaussian maximizers
PulseAugur coverage of Gaussian kernels have only Gaussian maximizers — every cluster mentioning Gaussian kernels have only Gaussian maximizers across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究质疑生成模型评估中核度量的可靠性
本文介绍了一种通过分析Kernel Inception Distance (KID) 和 Kernel Audio Distance (KAD) 等核度量的敏感性来评估生成模型的新方法。研究表明，标准的核配置在低样本量下尤其难以检测某些类型的样本变化，例如旋转。研究建议，报告的核距离应明确样本预算及其配置可检测的更改类型。
-
研究人员建议不要在机器学习中使用高斯核
最近的一篇论文认为，在回归和分类等机器学习任务中不应广泛使用高斯核。作者认为，这种核（也称为平方指数核或径向基函数核）会导致条件方差不切实际地小，从而导致预测不确定性过度自信。此外，这种平滑性会导致数值病态，在实际应用中需要引入金块项等变通方法。该论文广泛建议由于这些问题而避免使用解析核。
-
新的EVI-MMD方法使用自适应核进行确定性采样
研究人员开发了一种新的确定性采样方法EVI-MMD，该方法通过最小化核差异来近似目标分布。该方法将最小化问题转化为求解粒子的常微分方程组，并使用隐式欧拉格式进行近端最小化。其关键特性是高斯核的动态带宽选择策略，这提高了性能，尤其是在两样本问题的生成建模方面。
-
新研究发现生成漂移本质上是分数匹配
一篇新论文提出，一种用于单步图像生成的“生成漂移”（Generative Drifting）方法，其本质上是一种分数匹配（score matching）。研究表明，在特定条件下，该技术中的漂移算子等同于计算平滑分布上的分数差异。这一见解有助于解释训练稳定所需的stop-gradient算子，并借鉴等离子体物理学的类比，提出了核选择和收敛速度的优化方法。
-
新论文探讨生成漂移框架中的可辨识性和稳定性
本文介绍了伴随椭圆核，这是一类包含拉普拉斯核的核，其定义是与伴随函数特定的耦合。研究证明，对于该类中的核，当且仅当两个概率测度相同时，漂移场为零，并将高斯核和Matérn核识别为该类成员。该研究还解决了弱收敛中可能出现的故障，表明质量可以逃逸到无穷大，而场会减小，但这种故障模式仅限于特定的二维射线。