Gaussian mixture model
PulseAugur coverage of Gaussian mixture model — every cluster mentioning Gaussian mixture model across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
新方法通过概率不确定性量化增强交通预测
研究人员开发了一种新颖的方法，可以将现有的确定性交通预测模型转换为概率性模型。该方法仅需将最终输出层替换为高斯混合模型（GMM）层，即可使模型在进行不确定性量化的同时预测交通动态。修改后的模型可以使用负对数似然（NLL）损失进行训练，而无需更改现有的训练流程。在各种数据集上的实验表明，该技术在保持确定性性能的同时，与单峰或确定性基线相比，即使在数据不完美的情况下也能提供更准确和信息量更大的概率预测。
-
新框架ProPS从文本提示合成说话人嵌入
研究人员开发了ProPS，一个用于合成由自然语言提示条件化的说话人嵌入的新框架。该系统将说话人资料的文本描述转换为句子嵌入，然后指导混合密度网络在x-vector空间中预测高斯混合模型。ProPS已证明其能够生成准确反映所需属性（如年龄、性别、口音和韵律）的说话人嵌入分布，使其对于文本到语音（Text-To-Speech）和语音转换（Voice Conversion）等可控语音生成系统具有价值。
-
新的TGSR-PINN方法增强了物理信息神经网络的迁移学习能力
研究人员开发了一种名为目标引导选择性重加权PINN（TGSR-PINN）的新方法，以提高物理信息神经网络（PINNs）在逆问题中的迁移学习能力。该方法解决了负迁移等挑战，即在一种物理参数集上训练的模型由于机制或噪声的不同而在另一种参数集上表现不佳。TGSR-PINN采用目标证据驱动策略，通过对神经元进行评分并对表现不佳的神经元的权重和偏置应用选择性软衰减来纠正表示。实验表明，该方法在平流-扩散和跨PDE族迁移等各种复杂物理任务中，在保…
-
新的SLAM框架增强了终身视觉定位
研究人员推出了一种用于终身部署的视觉定位（VPR）新框架SLAM。该系统解决了在不丢失先前学习信息的情况下持续适应新环境的挑战。SLAM将不确定性感知平滑、使用高斯混合模型（GMM）的拓扑空间划分以及$H_ infty$鲁棒边界优化整合到一个统一的分析递归中。消融研究表明，特定配置实现了最先进的27.5%标称精度，而完整框架提供了数学保证的minimax鲁棒边界。
-
新的切片Wasserstein距离估计器利用CDF实现数据并行
开发了一类新的切片Wasserstein（SW）距离估计器，该估计器利用累积分布函数（CDF）而非分位数函数。这种方法允许大规模数据集并行处理，并避免了对投影样本进行排序的需要，从而提高了计算效率。该方法特别适用于涉及高斯混合模型的情况，并且与联邦学习兼容，因为CDF可以在不共享原始数据的情况下在本地计算和聚合。
-
新的 GMM 池化方法增强了超声图像早产预测能力
研究人员开发了一种新的高斯混合模型 (GMM) 池化方法，用于多示例学习 (MIL)，以改进超声图像的早产预测。该方法对每位患者的多个宫颈图像的特征分布进行建模，捕捉患者内部的变异性，这与使用单一图像估计的标准 MIL 聚合器不同。GMM 池化方法在早产预测方面显示出显著的改进，将 PR-AUC 从 0.44 提高到 0.56。它还在淋巴结转移基准测试中取得了最先进的结果，分类的 F1 分数达到 0.91，ROC-AUC 达到 0.89。
-
新框架使用生成模型进行鲁棒优化
研究人员引入了生成式鲁棒优化（GRO），一个利用深度生成模型来定义鲁棒优化问题不确定性集的新框架。与施加固定几何形状的传统方法不同，GRO采用神经网络解码器来表示现实世界数据中复杂、非线性的依赖关系。该框架通过一个五点评估系统进行评估，评估指标包括重建保真度、分布匹配、潜在规则性、鲁棒相关性和计算可行性。在生产规划和设施选址问题上的实验表明，GRO能够创建富有表现力、校准良好且对优化可行的不确定性集。
-
新的得分匹配方法有望实现生成模型的全局收敛
研究人员开发了一种新的生成模型得分匹配方法，该方法利用反向 Fisher 散度而非标准的正向 Fisher 散度。这种替代目标显示出改进的优化特性，特别是对于高斯混合模型。该研究在特定条件下证明了梯度下降的全局收敛性，表明学生分量可以收敛到接近其最近的教师分量，并为全变分距离收敛提供了保证。
-
新方法利用Wasserstein度量增强分布数据的分类
研究人员开发了一种新颖的方法，用于对表示为分布而非单个点的数据实例进行分类。该方法利用Wasserstein度量，并引入了一种基于最大化Fisher比的降维技术。该方法通过迭代优化传输和最大化步骤，展示了更高的分类准确性，并优于使用分布数据向量表示的现有算法。
-
新的视觉Transformer通过聚类降低图像字幕成本
研究人员开发了一种新的视觉Transformer架构，显著降低了图像字幕的计算成本。通过用基于高斯混合模型的聚类方法替换标准的自注意力机制，该模型将相似的图像块分组，将复杂度从二次降低到线性。该方法利用期望最大化算法和基于GPT的解码器，在Flickr 30K数据集上取得了有竞争力的结果。
-
新研究提出驾驶 VLA 的二维安全包络
一篇新研究论文探讨了视觉-语言-动作 (VLA) 驾驶规划器的安全包络，特别评估了 Alpamayo R1 模型。研究发现，单一的聚合安全阈值可能会掩盖高严重性故障的场景。通过分析 15,968 对剪辑攻击，研究人员确定了六个离散的严重性等级，并发现具有更宽松噪声阈值的场景不一定具有较低的高严重性故障率。研究结果表明，对于可部署的驾驶 VLA 的 SOTIF ODD 规范，需要一个二维安全包络。
-
机器学习揭示系外行星亚种群及其形成联系
研究人员利用机器学习聚类技术分析系外行星数据，根据动力学参数识别出不同的亚种群。该方法采用高斯混合模型，将观测到的这些聚类映射到基于卵石吸积形成模型生成的合成种群上。分析揭示了形成时间和气体吸积历史的差异，表明特大质量气态巨行星比热巨星和温和木星主导的系统形成得更早。
-
新的GAT-MDN模型通过不确定性建模改进薪资预测
研究人员开发了一个名为GAT-MDN的新框架，通过考虑薪酬数据的固有不确定性和多模态性质，实现更准确的薪资预测。该方法利用图注意力网络（GATs）从地点和职业等工作属性中学习表示，并整合了层级和语义关系。然后，该模型采用混合密度网络（MDN）输出完整的条件薪资分布，在对大型荷兰招聘数据集的实验中优于传统方法。
-
图聚类在语音术语发现方面优于K-means
研究人员发表了一篇论文，提出基于图的聚类作为无监督语音术语发现的优越方法。与创建均匀分布的K-means等传统基于中心的方法不同，图聚类（特别是使用Leiden算法）能生成更符合齐夫分布的分布，更能代表自然词汇。该方法在三种语言的单词和音节发现方面均表现出优越的性能。
-
新的概率GMM模型不确定地表示平面曲线
研究人员开发了一种使用高斯混合模型（GMM）的平面曲线新概率表示方法。该方法用线段近似曲线，每条线段都与一个捕获切向和法向不确定性的随机变量相关联。生成的GMM解析地表示局部几何形状和法向不确定性，适用于各种曲线类型，并可用于CAD、机器人和轨迹规划等应用。
-
新的去中心化EM算法改进了联邦学习中的高斯混合模型
研究人员开发了用于联邦学习场景中高斯混合模型的新型去中心化算法。这些方法，包括一种基于动量的方法（MNEM）和一种半监督变体（semi-MNEM），解决了数据分布异质性和部分标记带来的挑战。理论分析表明，MNEM可以实现与集中式方法相当的渐近效率，而semi-MNEM则提高了收敛速度，这已通过模拟和对胸部X光数据集的分析得到证明。
-
新的NPPR指标提供了鲁棒的深度学习评估
研究人员引入了非参数概率鲁棒性（NPPR），一种用于评估深度学习模型鲁棒性的新指标。与假设已知扰动分布的先前方法不同，NPPR直接从数据中学习这种分布，在不确定性下提供了更实际的评估。开发了一种使用高斯混合模型的NPPR估计器，理论分析表明其与现有的对抗性和概率鲁棒性指标的关系。在标准数据集和各种模型架构上的实验表明，NPPR提供了更保守的鲁棒性估计。
-
新的SGR-GMM算法增强了矩估计的鲁棒性
研究人员开发了SGR-GMM算法，这是一种新颖的鲁棒广义矩方法（GMM），旨在减轻矩估计对异常值的敏感性。该算法采用谱梯度重加权（SGR）原语在优化过程中调整每个观测值的梯度。分析涵盖了SGR原语作为熵正则化谱博弈的公式、其收敛性质以及考虑了污染的局部有限样本参数估计误差界限。还提出了一种用于异方差低秩高斯混合的专门的鲁棒对角加权GMM（DGMM）估计器，实验表明其相比非鲁棒方法有显著改进。
-
新的高斯混合机制增强差分隐私
研究人员开发了新的近似差分隐私“混合机制”，重点关注中低隐私设置。这些机制结合了多个高斯分布，与标准的解析高斯机制相比，提高了效率并降低了噪声。新方法显著缩小了低隐私场景下的最优性差距，并适用于各种统计推断任务，包括高维模型。
-
新的高斯混合模型提高了 DDIM 采样质量
研究人员开发了一种新方法来改进去噪扩散隐式模型 (DDIM) 的采样过程。他们的方法利用高斯混合模型 (GMM) 作为反向转移算子，该算子匹配 DDPM 前向边际的一阶和二阶中心矩。该技术已被证明能够生成与原始 DDIM 相当或更高质量的样本，尤其是在使用少量采样步数的情况下。