Gaussian Width
PulseAugur coverage of Gaussian Width — every cluster mentioning Gaussian Width across labs, papers, and developer communities, ranked by signal.
-
新的 arXiv 论文改进了用于 AI 优化的 Bandit 算法
2026 年 10 月发表的多篇 arXiv 论文探讨了线性 Bandit 问题的先进策略,旨在改进遗憾界限和计算效率。研究内容包括优化离线数据在在线学习中的利用、开发持久候选集以加速动作选择,以及引入随时可用的背包约束。其他论文则侧重于用于具有选择性反馈的 AI 系统优化的高斯过程 Bandit 和多臂 Bandit 的贝叶斯非参数 Thompson 采样,将其适用范围扩展到任意奖励分布。
-
生成式策展框架在决策中平衡最优性和多样性
研究人员开发了一种名为生成式策展的新框架,用于决策支持系统。该方法旨在为考虑可衡量目标以外标准的决策者优化少量优秀备选项的选定。该框架将期望分解为量化性能和定性策展收益,后者以高斯宽度为特征以确保多样性。该研究引入了适用于各种动作空间的神经生成和顺序优化方法,并证明与现有基准相比,遗憾减少显著。
-
新的 Fisher Widths 分析统计流形的复杂度
本文介绍了两个新的泛函:原始 Fisher 宽度和逆 Fisher 宽度,用于分析统计流形上的高斯宽度复杂度。这些宽度分别提供了对局部参数波动和各向异性高斯测量的互补见解。研究确立了这两个宽度之间的精确关系,表明 Fisher 各向异性不能同时相对于欧几里得尺度减小两者。
-
新研究利用 Fisher 宽度和基准测试探索数据流形几何
两篇新研究论文探讨了机器学习中数据流形的几何结构。第一篇论文介绍了“Fisher 宽度”,这是一种新的几何度量,类似于高斯宽度,但使用 Fisher 信息度量适配于统计流形。该度量捕捉了各向异性几何效应,并用于证明 Fisher-Lipschitz 假设类的泛化界限。第二篇论文提出了一个用于研究数据几何的基准测试框架,使用重新利用的数据集和专门的估计器来分析曲率和范围等属性,旨在弥合深度学习理论与实践之间的差距。