实体
Integral Probability Metrics
Integral Probability Metrics
PulseAugur coverage of Integral Probability Metrics — every cluster mentioning Integral Probability Metrics across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的基于距离的方法量化机器学习中的不确定性
研究人员开发了一种新颖的基于距离的方法来量化机器学习模型中不同类型的不确定性，特别解决了代表概率度量中不确定性的Credal集。这个新框架基于积分概率度量（IPMs），提供了清晰的解释和计算上的可行性。所提出的方法，特别是当使用总变差距离时，为多类分类提供了有效的度量，并推广了现有的二元不确定性度量。
-
新论文统一生成流并使用Koopman算子
两篇新研究论文探讨了生成模型中的高级技术。第一篇论文将生成式Wasserstein流（GWF）引入为一个统一的框架，适用于各种生成模型，并扩展到新算法，阐明了与GAN的联系。第二篇论文提出使用Koopman算子来线性化连续归一化流，从而实现更快的采样和对生成过程的新分析见解。
-
新的贝叶斯设计框架使用积分概率度量提高了实验效率
研究人员开发了一个新的贝叶斯最优实验设计（BOED）框架，该框架利用积分概率度量（IPMs）来提高稳定性和准确性。该方法用沃塞尔斯坦距离等度量取代了传统的Kullback-Leibler散度，解决了支撑不匹配和尾部低估等问题。基于IPM的框架在模型误差和先验误设的情况下提供了改进性能的理论保证，并在经验验证中证明了其有效性。