Gramian matrix
PulseAugur coverage of Gramian matrix — every cluster mentioning Gramian matrix across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新研究探讨带偏置项的线性分类器中的良性过拟合
研究人员 Yuta Kondo 和 Hashimoto 等人扩展了对线性回归模型中良性过拟合的分析。他们的工作现在包括带偏置项的分类器，这是先前类似研究中排除的一个特征。发现添加截距项会扰乱噪声的格拉姆矩阵，引入影响泛化能力的新约束。这些约束的影响因噪声的协方差而异，其中标签噪声的影响最强。
-
新的SAKE方法提高了文本扩散模型的多样性
研究人员开发了一种新的无需训练的引导方法SAKE（Semantic-Aware Kernel Entropy），以提高文本扩散模型的多样性。该方法利用Gram矩阵上的Rényi熵来捕捉语义交互和标记位置，动态调整采样分布。实验表明，SAKE在保真度和多样性之间取得了更好的平衡，与现有方法相比，在代码和数学生成等推理任务上表现更好。
-
IBM 硬件上量子核几何存活率测试
研究人员在 IBM 量子硬件上研究了四量子比特量子核内几何信息的存活情况。该研究聚焦于一种特定的冻结 ZZ 特征映射核，并分析了其在三种执行配置下的性能：基线、动力学解耦和门旋转。结果表明，虽然格拉姆矩阵在执行后普遍存活并能在很大程度上保留状态向量几何，但门旋转被证明是最忠实的方法。然而，最忠实配置与目标标签的对齐度最低，这表明在当前的量子机器学习研究中，实现保真度与任务相关性之间存在脱节。
-
新的扩散重建方法提高了数字乳腺断层合成的准确性
研究人员开发了一种新颖的方法，通过强制精确数据一致性和校准不确定性来重建有限角度数字乳腺断层合成（DBT）中的图像。该方法用精确的欧几里得投影取代了标准的扩散采样器步骤，显著加快了过程并使数据残差达到双精度下限。该方法在不牺牲深度分辨率的情况下提高了图像保真度，并将集合散布校准到可靠的误差尺度，优于纯先验方法。这是有限角度DBT首次实现数据一致、不确定性校准的学习重建。
-
新基准显示自监督视觉模型模仿人类物体分组
研究人员开发了一个新的基准来评估自监督视觉模型在多大程度上与人类物体感知相符。这项研究涉及超过1000次人类试验，发现使用DINO自监督目标训练的基于Transformer的模型在预测人类判断方面表现出最强的性能。还提出了一种新颖的度量方法来量化模型表示的物体中心成分，表明更具物体中心性的结构与人类分割行为的更准确预测相关。
-
新方法优化高斯过程回归的量子核估计
研究人员开发了一种新颖的方法，用于优化高斯过程回归的量子核估计中的采样分配。该方法旨在通过根据核条目对下游任务的敏感性来智能地分配采样工作，从而减少实现目标精度所需的计算预算。所提出的方法包含一个统一覆盖底线以减轻敏感性估计中的噪声，在各种基准测试和不同的量子核上均显示出测试均方根误差（RMSE）的显著改进。
-
使用费曼图计算有限宽度神经网络核校正
研究人员开发了一种新颖的方法，使用费曼图来计算神经网络切线核（NTKs）的有限宽度校正。这种方法简化了代数运算，并实现了层级递归关系，用于预测前导阶的训练动态。该框架已被证明可以扩展深度网络的稳定性结果，并证实对于像ReLU这样的尺度不变非线性函数，在Gram矩阵对角线上不存在有限宽度校正。数值实现表明，这些校正与宽度大于约20的采样神经网络统计数据一致。
-
新框架使用费舍尔信息分析AI医学图像分类器敏感性
研究人员引入了一个新的框架，使用输入相关费舍尔信息矩阵（iFIM）来分析医学图像分类器的局部敏感性。该方法描述了分类器的预测如何随着输入的微小扰动而变化。通过采用Gram矩阵的表述方式，该框架避免了计算完整的费舍尔矩阵，而是专注于主要的iFIM特征空间，以识别高敏感性分量。这些分量提供了局部预测敏感性的内在描述，是对现有基于归因的可解释性工具的补充。
-
PhysGuard框架改进神经算子从仿真到现实的适配
研究人员开发了PhysGuard，一个旨在改进神经算子从仿真到现实适配的新框架。该方法利用仿真数据中的Fisher信息矩阵，在微调过程中识别并保护物理关键参数方向。PhysGuard旨在防止在标准微调过程中可能发生的、尤其是在显著的领域偏移下，基本物理表示的退化。实验表明，与传统的微调方法相比，PhysGuard可将低频误差最多降低32%，同时保持了适应性。
-
CLARITree算法提升回归树的效率和准确性
研究人员开发了CLARITree，这是一种新颖的算法，旨在比现有方法更高效、更准确地构建可解释的分段线性回归树。这种新方法结合了前瞻搜索策略和Gramian矩阵的Cholesky更新，在计算速度、预测能力和模型稀疏性之间取得了良好的平衡。与当前回归分析中的最先进技术相比，CLARITree展示了显著的可扩展性改进。