Markov Processes And Related Fields
PulseAugur coverage of Markov Processes And Related Fields — every cluster mentioning Markov Processes And Related Fields across labs, papers, and developer communities, ranked by signal.
-
新的流匹配技术增强了生成模型在各种应用中的能力 · 跟踪 8 个来源
研究人员正在推进用于生成模型的流匹配技术,重点是提高效率和在各种领域的适用性。条件流匹配 (Conditional Flow Matching) 和协同演化路径 (Co-Evolving Paths) 等新方法旨在增强马尔可夫过程之间的传输并简化训练目标。其他进展包括 MEND,一种用于流模型的强化学习方法,在基于奖励的训练中优于现有方法;以及 AREX,一种无需训练的采样器,可提高少步生成中的样本保真度。此外,MintFlow 提供…
-
新研究为扩散模型在强化学习中的优化提供了新视角
研究人员提出了优化扩散模型的新方法,特别是在强化学习的背景下。其中一种方法,在“Freeze, Share, Shrink”论文中详细介绍,提出扩散策略中的动作主干可以在任务之间冻结和共享,适应性由条件通路处理。该方法在 MimicGen 和 LIBERO 上进行了测试,表明一个更小、可重用的轨迹先验可以匹配或超越更大、特定任务主干的性能。另一篇论文“DiffusionOPD”引入了一个用于通过基于策略蒸馏的多任务训练扩散模型的统一框…
-
两篇arXiv论文详述从单条轨迹学习动力学系统 · 跟踪2个来源
两篇新提交至arXiv的stat.ML板块的研究论文探讨了从单条轨迹学习动力学系统。第一篇论文侧重于切换非线性动力学系统,基于函数类熵为预测风险提供理论保证,并获得明确的收敛速率。第二篇论文处理遍历动力学系统,通过非线性最小二乘法推导出预测函数估计的高概率保证,并将框架扩展到高阶系统和Koopman算子。
-
研究人员使用共形预测对马尔可夫过程进行建模以预测冲突动态
研究人员开发了一种新方法,利用共形预测对马尔可夫过程进行建模,以预测国家冲突动态。该方法提供了有效的量化不确定性,这在预测地缘政治预测错误具有高风险的情况下至关重要。该研究将这种机器学习替代方法与传统的基于似然的策略进行了比较,并讨论了与时间相关数据中可交换性假设相关的局限性。