Laplace
PulseAugur coverage of Laplace — every cluster mentioning Laplace across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的NV-CoT框架使MLLMs能够通过连续坐标对图像进行推理
研究人员推出了一种新颖的数值视觉思维链（NV-CoT）框架，该框架使多模态大语言模型（MLLMs）能够使用连续数值坐标对图像进行区域基础推理。该方法将模型的动作空间从离散的token扩展到连续的欧几里得空间，只需极少的架构更改即可直接生成边界框坐标。NV-CoT支持监督微调和强化学习，利用高斯或拉普拉斯策略以及重参数化采样进行策略优化。实验表明，与现有的视觉推理基线相比，NV-CoT显著提高了定位精度、最终答案准确性和训练收敛性。
-
新的统计方法利用质量标签加速参数估计
一篇新发表在arXiv上的研究论文介绍了一种新颖的参数估计统计方法。该方法通过利用与每个数据样本关联的质量标签，将估计速率从经典的$n^{-1/2}$加速到$n^{-1}$。该方法对可识别和有限模糊的质量分类器都有效，并且即使质量模型仅以加性常数已知的情况下也能保持加速速率。论文证明了逐点质量和成对偏好在信息量方面不可比较，并提供了一个极小极大下界来确立样本量上最优的$n^{-1}$依赖性。
-
差分隐私应用于脑电图数据匿名化
研究人员探索了将差分隐私技术整合到脑电图（EEG）数据特征的匿名化中。该研究专门调查了使用高斯和拉普拉斯扰动来保护敏感患者信息，同时试图保持数据在临床研究和基于AI的决策支持系统中的实用性。研究结果表明，虽然差分隐私扰动在EEG处理中是可行的，但机制、隐私参数和校准方法的选择对下游实用性的保持有显著影响，尤其是在小型和不平衡的临床数据集中。
-
新的隐私机制加速了机器学习中的密度估计
研究人员开发了一种在宽松局部差分隐私下进行密度估计的新方法，利用对称伽马分布进行噪声添加。与传统的 $\alpha$-LDP 方法相比，该方法实现了更快的 Sobolev 平滑函数估计速率，使其更接近非私有 minimax 速率。该技术已在神经网络估计器中实现，该估计器在优化过程中避免添加额外噪声，在数值结果中显示出比 Laplace 和 private-SGD 机制显著的改进。
-
新的VG-SAF方法增强了AI驾驶系统在传感器故障下的鲁棒性
研究人员开发了一种名为方差引导空间注意力融合（VG-SAF）的新方法，以提高依赖摄像头和激光雷达数据的端到端驾驶系统的鲁棒性。该框架通过创建密集的可靠性估计来充当空间门，在不可靠的特征对驾驶规划器产生负面影响之前将其抑制，从而解决了传感器退化的问题。VG-SAF包含一个用于模拟传感器故障的物理基础增强器、一个用于预测每像素可靠性尺度的组件以及一个在模态之间进行仲裁的混合注意力机制。在CARLA Longest6基准测试中，VG-SAF…
-
新方法增强了本地差分隐私下的数据效用
研究人员开发了一种新颖的方法来提高在本地差分隐私（LDP）下收集的数据的效用。该方法选择性地减少数据中最与特定任务相关的子空间中的噪声，而不是在所有维度上应用均匀噪声。通过使用公共模型的雅可比矩阵识别这些关键子空间，该方法将噪声分布从各向同性重塑为各向异性，从而在保持隐私保证的同时提高了数据效用。实验表明，在图像分类任务上准确性得到了显著提高。
-
新框架认证基础模型适配器的有效秩
一篇新研究论文介绍了一个用于认证基础模型适配器谱秩的框架，超越了标称秩以推断有效秩结构。该工作开发了一个具有理论基础的有限样本框架，包括卡方散度和 Le Cam 界限，以分析适配器性能。提出了一种用于 PEFT LoRA 适配器的经验零假设工作流程，包括因子重构、蒙特卡洛 p 值和报告。对 26 个公共适配器的审计显示，校准后的有效秩通常远小于标称秩，并且与简单的能量保留不同。
-
新方法提升去中心化联邦学习的隐私和效率 · 跟踪 2 篇论文
两篇新研究论文介绍了增强去中心化联邦学习隐私和效率的新方法。第一篇论文 PrivateDFL 利用超维度计算和透明噪声会计来跟踪累积噪声，允许客户端添加最小的增量噪声，从而实现更好的隐私-准确性平衡。第二篇论文 DDP-SA-adaptive 提出了一种自适应梯度裁剪和噪声注入机制，该机制根据层和轮次调整裁剪阈值，与静态方法相比，提高了训练效率和隐私保证的强度。
-
新的HEB-NB方法增强了朴素贝叶斯分类器性能
研究人员开发了一种名为分层经验贝叶斯朴素贝叶斯（HEB-NB）的新方法，以提高朴素贝叶斯分类器的性能，特别是在高基数表格数据方面。与使用固定强度的传统平滑技术不同，HEB-NB能从数据中自适应地学习平滑参数，从而实现跨类别的更好信息共享。这种方法扩展到HEB平均一元依赖估计器（HEB-AODE），理论上达到了最小最大速率，并在大量基准测试中通过经验证明显著降低了对数损失并提高了校准性能。
-
均方误差：其数学起源与在优化中的作用
文章深入探讨了均方误差（MSE）的数学起源及其应用，MSE是建模和统计学中的一个基本概念。文章解释了为什么平方误差对于创建平滑、凸的损失函数至关重要，从而便于优化，防止正负误差相互抵消，并实现高效的模型训练。该文追溯了MSE的历史发展，强调了其在天文学、统计学和大地测量学等领域的根源，以及与最小二乘法等方法的联系。
-
新方法为漂移模型提供全变分证书
本文介绍了一种分析机器学习中漂移模型的新方法，重点关注如何从嘈杂、有限的数据中得出关于目标和模型分布的结论。所提出的方法，有限探测全变分证书（Finite-Probe Total-Variation Certificates），提供了一个后验全变分置信上限，该上限考虑了各种误差来源，包括噪声、算子误差和近似半径。对于像高斯-RBF（Gaussian-RBF）这样的特定交互类型，该方法提供了无截断的无分布界限，并为拉普拉斯相似性（Lap…
-
新方法可比较不同的概率图模型
研究人员开发了一种比较定义在不同变量集上的概率图模型的方法。这是通过使用条件均匀（拉普拉斯）扩展将两个模型扩展到共同的可测量空间来实现的。这种方法确保了生成的联合分布仅在乘法常数上有所不同，并在投影下重合，从而保留了概率语义。该方法允许应用明确定义的分布差异度量，并为最小的共同可测量空间提供了最小的结构扩展。
-
贝叶斯模型获得混合权重精确后验计算 · arXiv论文
一篇新论文详细介绍了一种在分层贝叶斯模型中计算混合权重后验分布的精确方法。所提出的动态规划方法（带有用于提高效率的FFT变体）无需采样即可提供闭式后验摘要和可信区间。与EM、高斯和拉普拉斯近似等现有技术相比，该方法在小样本模型和特定生物分析中表现出优越的校准性和速度。
-
用于截尾高斯回归的新型保形贝叶斯方法
研究人员开发了一种名为保形贝叶斯（Conformal Bayes）的新方法，用于双侧截尾高斯回归，专门解决数据在下界和上界都被截尾时的预测挑战。该方法结合了后验预测倾斜和加权保形校准，以创建可以包含边界原子和内部区间的预测集。与现有技术相比，该方法旨在恢复边际覆盖率并产生更小的预测集，尤其是在标签偏移条件下。
-
深度学习框架估计AR(p)过程的时变参数
研究人员开发了一个用于估计AR(p)过程时变参数的深度学习框架，能够捕捉复杂和非平稳的模式。该方法在适应高斯和拉普拉斯等不同噪声分布的同时，保持了透明的参数结构。该框架包括一个预测方案和不确定性量化，如预测区间，展示了其在预测复杂动态方面的灵活性。
-
深度学习估计AR(p)预测的时变参数
研究人员开发了一个新颖的预测框架，利用深度学习方法估计AR(p)过程中的时变参数。该方法能够捕捉复杂、非平稳的模式，同时保持清晰的参数结构。该框架旨在处理高斯分布和拉普拉斯分布的噪声，为各种预测场景提供稳健的不确定性量化和预测区间。
-
新研究探索具有p-指数尾部的贝叶斯后验分布适应
一篇新的研究论文探讨了如何在非参数设置中，通过使用具有p-指数尾部的先验来改进贝叶斯后验分布。研究表明，随着'p'的减小，收缩率得到提高，在特定的p到0的范围内实现了对平滑度的完全适应。应用包括白噪声回归中的序列先验和浅层ReLU神经网络，模拟显示了理论发现的有力实证支持。
-
新理论改进了神经网络的贝叶斯后验适应性
研究人员开发了一个新的理论框架，用于在非参数设置中适应贝叶斯后验分布。该研究侧重于具有p指数尾部的先验，证明了收缩率随着“p”的减小而提高，从而在特定状态下完全适应平滑度。这项工作对理解浅层ReLU神经网络具有启示作用，表明它们可以适应各种正则化水平。
-
新的 PINN 框架应对复杂的奇点和摄动
两篇新研究论文介绍了用于解决复杂数学问题的先进物理信息神经网络 (PINN) 框架。第一个，INI-VPINN，隐式处理 Neumann 边界和界面条件，在具有几何奇点的多材料域上实现了更高的精度和更快的收敛速度。第二个，Petrov-Galerkin VPINN，通过使用神经网络作为试探解和张量积帽函数作为测试函数，有效地解决了二维奇异摄动问题，在捕捉多尺度特征方面表现出高精度。
-
新研究详解速率最优划分分类方法
一篇新研究论文发布在arXiv上，探讨了速率最优划分分类技术。该研究在放宽的条件下引入了新的分类收敛速率，适用于可观测数据和私有化数据。作者们证明，通过关注连续输入的内在维度而不是全维度空间，即使不依赖于强密度假设，他们的方法也能达到极小极大最优收敛速率。