kernel Stein Discrepancy
PulseAugur coverage of kernel Stein Discrepancy — every cluster mentioning kernel Stein Discrepancy across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法通过任务校准改进核积分近似
研究人员推出了一种新颖的核积分近似方法——任务校准随机特征（TCRF）。TCRF 利用任务特定的影响来构建频率矩，旨在提高随机特征近似的准确性。该方法在配对实验中，尤其是在较大的频率预算下，证明了对精确核岭回归和经验 Stein 差异的增强近似。
-
新研究阐明了机器学习中无界核的性质
一篇新发表在arXiv上的论文探讨了机器学习和统计学中无界核的性质。该研究填补了在理解无界核的不同表达能力概念（如特征核和$L_p$-通用核）之间的关系方面的一个重要空白。作者在温和的假设下建立了这些关系，为核方法（特别是在最大均值差异和核Stein差异等度量背景下）的理论基础做出了贡献。
-
新的HyperMC框架优化SGMCMC超参数
研究人员开发了HyperMC，一种用于优化随机梯度马尔可夫链蒙特卡洛（SGMCMC）方法中超参数的新颖框架。该方法利用多保真度调优策略，结合Hyperband风格的资源分配和核Stein差异（KSD）评估，以有效地探索超参数空间。在逻辑回归和贝叶斯神经网络等各种模型上的实验表明，与现有方法相比，HyperMC增强了后验近似和预测校准。
-
新方法改进了核 Stein 差异估计
研究人员开发了一种估计核 Stein 差异（KSD）的新方法，这是一种用于比较样本分布和评估近似推理的技术。该研究将 Stein 协方差算子的 Hilbert-Schmidt 范数确定为决定 minimax 风险的关键因素，建立了 \(\|C_\star\|_{\mathrm{HS}}/n\) 的新估计尺度。这种方法优于标准的 V 统计量，后者被证明对于某些分布和核来说是次优的。
-
Nyström核 Stein 差异检验加速拟合优度检验
研究人员开发了 Nyström 核 Stein 差异 (KSD) 检验，显著提高了拟合优度检验的效率。传统的 KSD 估计量具有二次运行时间和计算上难以处理的零分布，通常需要引导。这种新方法利用 Nyström 方法加速 KSD 估计，同时保持统计准确性和渐近水平和局部一致性等关键特性。数值结果表明，Nyström 加速方法在性能上与原始方法相当，但运行时间大大减少。
-
新的多项式 Stein 差异方法改进了贝叶斯推理样本质量评估
研究人员推出了一种新的方法——多项式 Stein 差异 (PSD)，用于评估贝叶斯推理算法生成的样本质量。该方法旨在克服现有方法（如核 Stein 差异 (KSD)）的可扩展性和维度限制。PSD 提供了一种计算效率更高的方式来评估矩收敛，并有助于贝叶斯采样算法的超参数调整。