Gaussian mixture model
PulseAugur coverage of Gaussian mixture model — every cluster mentioning Gaussian mixture model across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
新的零样本方法利用伪影模式定位图像篡改
研究人员开发了一种新颖的零样本流程，用于定位彩色图像中的篡改区域。该方法通过直接从单个图像的噪声残差中估计参考伪影模式，绕过了对训练数据或设备注册的需求。该流程包括一个去噪器选择标准、一个块级相关性分析和一个高斯混合模型评分阶段，以生成像素级篡改概率图。与现有的最先进的被动方法相比，所提出的方法具有竞争力。
-
研究：非最大概率映射影响S-JEPA编码器表示
一篇新研究论文探讨了在S-JEPA编码器表示中，将非最大概率映射到高斯混合模型（GMM）分量的重要性。该研究引入了两种对照方法，FIXED-RANDPERM和UNIFORM-TAIL，与“REAL SOFT”方法进行比较。结果表明，REAL SOFT在恢复原始GMM尾部和访问谱动力学方面优于对照组，这表明仅靠数值概率结构是不够的；非最大概率的具体映射也会影响学习到的编码器表示。
-
新的VAE-EVT框架改进了URLLC的无线电地图预测
研究人员开发了一种新的物理信息VAE-EVT框架，以改进对超可靠低延迟通信（URLLC）至关重要的低信噪比（SNR）区域的预测。该模型区分了SNR的体分布和尾部分布，对体分布使用高斯混合模型，对尾部分布使用广义帕累托分布。在RadioMapSeer数据集上进行评估时，VAE-EVT框架在关键的0.1%中断区域实现了显著更低的SNR RMSE（4.83 dB），优于基于GAN的模型（RMSE为21.90 dB）。
-
TEAMMix框架增强了基于LLM的分层文本分类
研究人员开发了TEAMMix，一个旨在利用基于LLM的数据增强来增强分层文本分类（HTC）的新型框架。该方法通过关键词生成和语料库挖掘来语义丰富标签层级，解决了复杂的标签层级和类别不平衡等挑战。然后，它使用LLM生成伪样本来对抗长尾问题，并采用基于高斯混合模型的置信度重采样来提高数据质量。实验表明，TEAMMix能有效提升LLM生成标签的可靠性，并显著提高在细粒度和不平衡数据集上的分类性能。
-
新的神经网络方法逼近复杂随机方程中的条件律
研究人员开发了一种新颖的方法，使用条件圆柱形神经网络来逼近带公共噪声的McKean-Vlasov方程中的条件律。该方法将傅里叶矩和截断签名映射到条件律的高斯混合逼近，从而能够评估目标泛函。该方法得到了连续性和通用逼近的理论保证的支持，并通过对各种示例的数值研究证明了其在实际应用中的有效性，显示出相对于经验粒子逼近的一致性改进。
-
新的HProbZ方法增强了神经网络中的预测不确定性
研究人员推出了一种新颖的神经网络输出头——混合概率区域体（HProbZ），旨在更好地表示预测中不同来源的不确定性。与使用高斯混合或单一一致区域的传统方法不同，HProbZ将不确定性分离为离散模式、有界系统漂移和不可约噪声。这种新方法允许闭式似然，并能够基于单次前向传播中的观测步数来精炼未来的预测。在预测基准上的实证测试表明，HProbZ的性能优于相同编码器混合基线，同时提供了独特的结构优势。
-
新的梯度下降方法在分类中实现最优风险
研究人员开发了一种新的方法，在过参数化数据的分类任务中使用带早停的梯度下降。该技术旨在实现最小最大最优的过量零一风险，特别是在具有标签翻转噪声的高斯混合模型中。与标准梯度下降相比，该方法提供了统计上更优越的结果，尤其是在处理多项式和指数谱衰减时，并通过实验结果得到了验证。
-
机器人通过演示学习人类般的书写，人类相似度达71.5%
研究人员开发了一个新的框架，使机器人能够通过模仿人类演示来学习类人运动技能。该系统收集手写数据，使用高斯混合模型和回归来学习概率轨迹，并结合力和时间数据以获得更丰富的动力学。一项用户研究发现，生成的轨迹被认为具有71.50%的人类相似度，参与者重视几何定位和顺序。开源数据集旨在为未来类人机器人运动研究创建一个基准。
-
新方法LiNC提高了在有噪声医学图像上的机器学习准确性
研究人员开发了一种名为轻量级噪声校正（LiNC）的新方法，以提高在有噪声医学成像数据集上训练的机器学习模型的准确性。LiNC为每个样本引入了一个可训练的“信任度”参数，允许模型学习是依赖提供的标签还是依赖自身的预测。通过分析这些信任度值，LiNC可以识别有噪声的样本并应用校正，在MedMNISTv2基准测试中，即使标签噪声高达50%，也能持续提高准确性。
-
新技术的归一化流用于高效的多模态后验估计
研究人员开发了一种使用归一化流进行摊销后验估计的新方法，该方法通过似然加权重要性采样进行训练。该技术可以在高维逆问题中高效地推断理论参数，而无需后验训练样本。研究强调了基分布拓扑的重要性，发现标准的单峰分布无法捕捉断开的模式，导致出现虚假的概率桥接。使用与目标模式基数匹配的高斯混合模型初始化流可以显著提高重建保真度。
-
新研究解决人工智能模型的灾难性遗忘问题 · 已追踪 7 个来源
研究人员正在开发新颖的方法来解决持续学习中的灾难性遗忘问题，即人工智能模型在学习新任务时会丢失先前获得的知识。最近几篇 arXiv 论文提出了不同的方法，包括规范化多模态学习中的模态贡献漂移、采用参数高效门控适应以及利用无梯度进化算法。其他方法则侧重于具有无梯度路由的紧凑型潜在空间适配器，以及在零空间中优化状态空间模型以在顺序任务中保留知识。
-
新的代数方法证明了深度生成模型的可辨识性
研究人员开发了一种新方法，用于证明具有分段仿射解码器和高斯混合模型先验的深度生成模型（DGMs）的可辨识性。该方法利用了三种代数对比原理——域对比、机制对比和交互对比——以打破对称性并确保模型在纯粹无监督设置下的可辨识性。研究结果建立了从潜在分布到后验和点态可辨识性的可辨识性层级，并且是首个能够处理不连续解码器和完全非注入式解码器的研究。
-
新理论优化选择性假设检验，最大限度地减少犹豫不决
一篇新的arXiv论文介绍了一个选择性假设检验的理论框架，旨在最大限度地减少犹豫不决，同时实现低于贝叶斯误差率的目标精度。该研究表征了选择性分类中的最优风险，并展示了犹豫不决选择的连续性和单调性。所提出的方法应用于Neyman-Pearson检验框架内，在固定第一类错误概率的情况下允许控制第二类错误，实验表明在高斯混合模型和真实世界数据集中的选择性精度有所提高。
-
AI 模型在 MRI 分割中泛化能力有限，尽管进行了强度归一化
研究人员使用 3D U-Net 模型对七种三维膝关节 MRI 分割的强度归一化方法进行了系统性基准测试。研究发现，尽管 Z-score、Nyúl 直方图匹配和 CLAHE 等方法在外部数据集上表现出更强的鲁棒性，但与域偏移引起的显著性能下降相比，强度归一化的总体影响有限。这表明，虽然归一化是一个因素，但互补策略对于深度学习模型在医学影像中的稳健临床部署至关重要。
-
ProbSPARQL 扩展 SPARQL 以处理知识图谱中的不确定数值数据
研究人员开发了 ProbSPARQL，这是 SPARQL 查询语言的一个扩展，旨在处理知识图谱中的不确定和多维数值数据。该新系统通过将不确定的数值建模为随机变量并实现支持分布的查询，解决了当前 RDF 和 SPARQL 技术中的局限性。ProbSPARQL 已在 Apache Jena ARQ 上实现，并与 Fuseki 兼容，已在真实数据片段上进行了测试，并对其可扩展性进行了评估，证明了其可行的执行和相比传统后处理方法的潜在加速。
-
新框架 LFM 利用基础模型实现领域自适应
研究人员推出了一种新颖的框架 LFM，该框架利用基础模型来增强无源通用领域自适应 (SF-UniDA)。该方法采用视觉语言模型来评估目标数据样本与文本标签之间的相似性，即使对于原始训练集中不存在的类别也是如此。该框架使用高斯混合模型识别未知样本，并通过整合来自源域和基础模型的知识来优化伪标签，最终提高目标模型的性能。
-
$K$-NeAS 使用神经SDF推进多材料CT重建
研究人员开发了 $K$-NeAS，一种用于可扩展多材料CT重建的新型架构。该系统利用神经符号距离函数（SDF）和高斯混合模型（GMM）来自动进行衰减边界确定，无需手动调整。$K$-NeAS 可以模拟任意数量的重叠组织，并已证明具有卓越的 3D 体积保真度，尤其是在腹部等复杂多组织区域，其性能优于现有的单材料基线。
-
DP-BOA框架增强计算机视觉中的即时类别发现 · 跟踪到2个来源
研究人员推出了一种用于计算机视觉中即时类别发现的新颖框架DP-BOA。该方法利用具有正态-逆Wishart先验的在线狄利克雷过程高斯混合模型，明确比较将样本分配给现有类别与生成新类别的证据。DP-BOA在标准的OCD基准测试中表现出色，尤其是在发现新类别同时保持已知类别准确性方面。
-
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。