Laplace operator
PulseAugur coverage of Laplace operator — every cluster mentioning Laplace operator across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的采样方法提高了复杂分布的效率 · 跟踪 2 个来源
研究人员开发了一种名为 Gradient-free Riemannian Langevin Sampler (GRiLS) 的新方法，以提高多模态概率分布采样的效率。该方法旨在克服标准马尔可夫链蒙特卡洛方法在混合不良和模式陷阱方面的局限性。GRiLS 利用黎曼度量重塑局部几何形状，促进模式之间的转换，而无需对目标密度进行梯度评估，使其适用于复杂的计算目标。此外，另一篇论文探讨了通用空间上的快速行列式采样，为数据集表示提供了基于核的方法…
-
新求解器加速图 $p$-拉普拉斯半监督学习
研究人员开发了一种新颖的图 $p$-拉普拉斯半监督学习求解器，该求解器实现了近线性时间复杂度。这种新方法解决了现有求解器的局限性，尤其是在 $p$ 值较高时系统可能变得病态的问题。通过在 $p$ 中采用连续性方法和阻尼弦牛顿法，该求解器保持了良态系统，与直接分解方法相比，实现了显著的加速和更低的内存使用。该方法在大规模图族和 MNIST 等基准数据集上表现出改进的性能，优于标准的二次方 ($p=2$) 方法。
-
新的谱稀疏化方法提高了图模型的准确性
研究人员开发了新的方法 Spectral-LCGGM 和 Spectral-HR，以提高拉普拉斯约束高斯和 Hüsler-Reiss 图模型的准确性和可扩展性。这些模型用于图信号处理和极值依赖建模等领域。新技术采用谱图稀疏化作为后估计步骤，创建比原始模型稀疏但与原始模型在谱上接近的拉普拉斯估计，从而提高密集图估计的可解释性和性能。
-
量子核方法在SAR海上目标分类方面显示出潜力
研究人员正在探索使用量子机器学习方法对合成孔径雷达（SAR）图像中的目标进行分类，特别是用于识别非法捕鱼船只。一项研究发现，量子核方法（QKMs）应用于真实的SAR数据时，其性能可与经典核方法相媲美，尽管它们在处理复杂数据时遇到困难。另一篇论文研究了受量子原理启发的张量网络，用于鲁棒且可扩展的SAR目标分类，并强调了它们对数据投毒的抵抗能力以及在边缘设备的效率。
-
共享核小波神经网络实现实时泊松图像重建
研究人员开发了一种新颖的共享核小波神经网络，用于泊松图像重建。该方法利用图像的稀疏拉普拉斯场来表示图像，通过求解泊松方程实现精确重建。所提出的网络拥有不到0.0002百万的紧凑参数量，具有线性计算复杂度以实现实时性能，并且比现有技术具有更高的准确性。