Mahalanobis distance
PulseAugur coverage of Mahalanobis distance — every cluster mentioning Mahalanobis distance across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新几何框架增强机器学习指标
研究人员开发了一个新的广义无限维Alpha-Procrustes几何框架，扩展了现有的Bures-Wasserstein和Log-Euclidean等指标。该形式主义基于单位化Hilbert-Schmidt算子和扩展的Mahalanobis范数，可以对这些距离进行稳健的无限维推广。该方法包括一个可学习的正则化参数，以提高高维比较中的几何稳定性，并在基准数据集的初步实验中显示出改进的性能。
-
AdaptNTK框架提升了AI在分子动力学模拟中的应用
研究人员开发了AdaptNTK，一种用于神经网路势能不确定性量化和主动学习的新型框架。这种单一模型方法使用经验神经切线核（NTK）特征空间中的正则化马氏距离来估计不确定性，并且可以在不重新训练的情况下递归更新。AdaptNTK在分子动力学模拟中表现出强大的性能，与力误差实现了高相关性，并在rMD17和Transition-1X等数据集的主动学习实验中，尤其是在过渡态构型方面，优于集成方法。
-
新方法改进AI代理的域外意图检测
研究人员开发了一种用于对话代理的域外（OOD）意图检测的新方法，解决了聊天机器人和语音助手开发中的一个关键挑战。所提出的技术，即协方差校正马氏距离，旨在改进对超出代理训练数据的意图的分类，特别是在传统马氏距离方法显示出局限性的少样本学习场景中。这一进展可能带来更强大、更准确的对话式AI系统。
-
开发了新的鲁棒 K-means 聚类方法来处理异常值
研究人员开发了一种名为 MK-means DPD 的新型鲁棒聚类方法，该方法利用密度幂散度和马氏距离来有效处理异常值并适应异质聚类。为了解决收敛问题，引入了一个名为 Density-Consistent MK-means DPD 的变体，它通过重新定义的聚类分配步骤来保证收敛。该研究还提出了新的评估指标，即中位数 Davies-Bouldin 指数和修剪 Calinski-Harabasz 指数，以提供抗异常值的性能比较。这些方法的有…
-
新的基于马氏距离的注意力机制提高了AI模型效率
研究人员推出了一种新颖的注意力机制——基于马氏距离的多头注意力（MHA-CSP），它用基于马氏距离的RBF核取代了标准的点积。这种方法允许在不增加参数数量的情况下，在无限维特征空间中进行注意力计算。该方法能够直接构建树注意力，并具有用于跨头核协作的注意力网格机制，从而提高了准确性和训练效率。实验表明，MHA-CSP在长序列状态跟踪任务上优于Transformer和GCN基线模型。
-
新的 Wasserstein Mahalanobis 距离可恢复潜在几何结构
研究人员引入了一种名为 Wasserstein Mahalanobis 距离的新度量，它将多元数据中的 Mahalanobis 距离概念扩展到概率测度。这种新的距离度量利用了 Wasserstein 切线空间上的最优传输位移场和协方差算子。该工作表明，这种构造可以恢复潜在几何结构，类似于非线性独立成分分析，并在平滑变换下近似高斯测度的经典 Mahalanobis 距离。
-
UQ-Loc 方法通过不确定性感知增强激光雷达定位
研究人员开发了 UQ-Loc，一种不确定性感知的激光雷达场景坐标回归新方法。该方法通过预测每个体素的完整协方差矩阵来扩展现有的 LightLoc 架构，从而量化了偶然不确定性。UQ-Loc 在训练中使用了负对数似然损失和基于 kNN 的正则化器，在推理中使用了修改后的 SC2-PCR 求解器。该系统通过预期的校准误差进行评估，证明了其改进的定位精度和良好校准的不确定性预测。
-
新的MGSB架构增强了AI在流量变化下的泄漏检测鲁棒性
研究人员开发了一种名为流形门控签名偏差（MGSB）的新架构，以提高多相流管线中泄漏检测模型的鲁棒性。这些模型在部署于与其训练数据不同的条件下时，尤其是在流态转换期间，常常会失效。MGSB集成了流态条件特征融合、TT-RoughPath编码器和均值教师一致性正则化来解决这种分布偏移问题。在评估中，MGSB显著优于基线模型，实现了0.930的检测F1分数和0.783的分布外F1分数，证明了流态感知建模在可靠泄漏检测方面的有效性。
-
新框架统一了对表征学习中子模信息测度的理解
研究人员开发了一个统一的理论框架，用于理解表征学习中子模信息测度（SIMs）的几何和统计特性。该研究将SIMs与模式识别中的经典概念联系起来，展示了不同的SIM目标如何表征类内结构（如方差和协方差）和类间结构（如分离和重叠）。这些发现通过合成实验得到验证，为选择和设计基于SIM的表征学习目标提供了指导。
-
新型对抗性示例欺骗AI模型，但人类仍能识别
研究人员引入了一种新型对抗性示例，与典型的攻击不同，它使用大而可见的扰动来欺骗AI模型，同时人类仍能识别。这种新方法在MNIST、CIFAR-10和ImageNet等数据集上进行了测试，揭示了一个显著的差距：模型保持高准确率，而人类识别率却显著下降。标准的分布外（OOD）检测方法未能识别出这些示例，尽管一个特征空间马氏距离检测器有效，但容易受到自适应攻击。现有的防御措施，包括对抗性训练，并未有效缓解该攻击的成功。
-
新的PAMD方法增强了视觉强化学习算法
研究人员推出了一种新颖的成对自适应马氏距离（PAMD）方法，旨在改进视觉强化学习算法。该新方法参数化了一个正定的、成对条件化的度量，用于测量潜在状态相似性，为固定的全局范数提供了更具表现力和结构化的替代方案。在视觉MuJoCo连续控制任务上的实证验证表明，配备PAMD的双模拟基础的强化学习算法在多项任务上取得了显著的性能提升。
-
AI利用新发异常检测技术检测临床前组织病理学中的毒性
研究人员开发了一个AI框架，利用全切片图像检测临床前组织病理学中的毒性。该系统可以识别健康组织、已知病理，并标记出具有新发异常的样本。通过使用低秩自适应微调Vision Transformer并采用马氏距离进行异常检测，该方法旨在提高药物开发中毒性评估的效率和规模。
-
新基准和方法改进了 AI 代理的不确定性量化
研究人员开发了新的方法来量化与图形用户界面 (GUI) 交互的 AI 代理以及机器人技术中使用的视觉-语言-动作模型 (VLA) 的不确定性。第一项研究“Argus”在各种代理和数据集上对 27 种方法进行了基准测试，发现不确定性排名在同一模型类别内是稳定的，但在不同模型和界面之间会下降。第二项研究为基于流匹配的 VLA 引入了速度场不一致性 (VFD)，证明了其在故障检测方面的有效性，并实现了一个名为 SAVE 的框架，该框架能够以…
-
新的InstantForget方法无需重新训练即可解除AI后门
研究人员开发了一种名为InstantForget的新方法，可以在不重新训练模型的情况下移除AI模型中的后门触发器。该技术在推理时运行，通过识别和重置指示后门的异常特征来工作。在CIFAR-10和ResNet-18模型的测试中，InstantForget在保持模型效用的同时，显著降低了各种触发器的平均攻击成功率。
-
新方法使用VAE和马氏距离进行RL控制中的离群检测
研究人员开发了一种新颖的方法，用于在时变系统中检测离群（OOD）观测值，特别适用于粒子加速器控制等安全关键应用。该方法利用在正常运行数据上训练的变分自编码器（VAE）来识别未见过的情况。通过测量VAE潜在空间中的马氏距离，系统可以准确地区分分布内和离群状态，从而实现快速强化学习（RL）控制器和鲁棒极值寻优（ES）控制器之间的无缝切换。
-
新的 ReshapeOT 方法改进了用于建模分布偏移的最优传输
研究人员推出了一种新颖的分布偏移建模方法——位移重塑最优传输 (ReshapeOT)。该技术通过纳入观察到的样本位移来增强最优传输中使用的地面度量。通过用源自位移矩的马氏距离替换标准欧氏距离，ReshapeOT 指导传输解决方案更好地反映数据的实际变化。