Maximum Mean Discrepancy
PulseAugur coverage of Maximum Mean Discrepancy — every cluster mentioning Maximum Mean Discrepancy across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
LLM运维：检测评估漂移并跟踪客户成本
作者讨论了管理LLM应用的两个常见挑战：评估集漂移和按客户成本报告。对于评估集漂移，他们建议在嵌入上使用最大均值差异（MMD）来检测评估数据集何时不再代表生产数据。对于成本报告，他们建议利用OpenTelemetry baggage在服务之间传播客户ID，避免昂贵的管道重新架构。
-
新的 PAC-贝叶斯框架量化测试时自适应中的不确定性
研究人员开发了一个 PAC-贝叶斯框架，用于量化测试时自适应 (TTA) 方法中的认知不确定性。该框架使用源分布和目标分布之间的最大均值差异 (MMD) 来推导泛化界。通过将 MMD-balls 解释为 credal sets，该方法将认知不确定性与偶然不确定性分开，提供了一种有原则的方法来决定何时自适应是有益的。
-
新算法为乘积核方法计算精确 Shapley 值
研究人员开发了 PKeX-Shapley，这是一种新颖的算法，旨在计算机器学习中乘积核方法的精确 Shapley 值。这种新方法利用乘积核的乘法结构，在特征数量上实现了二次时间复杂度，显著优于现有的基于近似的方法。该算法提供了一种无参数的解决方案，不需要采样或密度估计，并且可以扩展到最大均值差异和 Hilbert-Schmidt 独立准则等统计分析。
-
新方法通过数据重排和采样解决域适应方差问题
两篇新研究论文提出了改进无监督域适应（UDA）的新方法，通过解决训练期间差异估计的高方差问题。第一篇论文“顺序很重要：通过重排数据改进域适应”介绍了ORDERED，一种优化数据采样顺序以减少估计误差的技术。第二篇论文“方差很重要：通过分层采样改进域适应”提出了VaRDASS，一种在理论上能最小化某些差异度量的方差的分层采样方法。这两种方法都旨在提高机器学习模型应用于新的、未见过的数据分布时的性能。
-
SoDa2方法通过解耦对齐改进高光谱图像分类
研究人员推出了一种新颖的单阶段方法SoDa2，用于跨场景高光谱图像分类中的开放集域自适应。该方法将光谱和空间特征解耦，以增强判别能力，并独立地减少源域和目标域之间的差异。该方法旨在通过有效地区分已知类别和未知类别来提高遥感应用的分类准确性和模型迁移能力。
-
研究人员开发用于图像分类和分割的新型无监督域自适应框架
研究人员开发了新的无监督域自适应（UDA）框架，以应对将在一个数据集上训练的AI模型应用于不同、未标记数据集的挑战。一种方法利用了两个基础模型，特别是Segment Anything Model (SAM) 和 DINOv3，通过从更广泛的目标像素中学习并构建稳定、域不变的原型来改进语义分割。另一个框架专注于医学成像，采用面向方向的自适应技术对多模态MRI的脑肿瘤进行分类，并使用RKHS-MMD对X射线胸片分类进行鲁棒自适应，从而减少…
-
新型扩散模型通过小波和潜在空间创新解决图像超分辨率问题
研究人员开发了两种新框架 SlimDiffSR 和 TOC-SR，以提高扩散模型在图像超分辨率任务中的效率。SlimDiffSR 专注于遥感图像，使用蒸馏教师模型和结构化剪枝技术，实现了高达 200 倍的推理加速和 20 倍的参数减少。TOC-SR 通过特征级蒸馏和架构发现创建紧凑型扩散骨干网络，在蒸馏成单步生成器之前，参数减少了 6.6 倍，GMACs 减少了 2.8 倍。这两种方法都旨在平衡高重建质量与显著降低的计算成本，以实现实际部署。
-
New Bayesian design framework improves experimental efficiency using integral probability metrics
Researchers have developed a new Bayesian Optimal Experimental Design (BOED) framework that utilizes integral probability metrics (IPMs) to enhance stability and accuracy. This approach replaces traditional Kullback-Lei…
-
新的核得分增强了多元共形预测区域
研究人员开发了一种新的共形预测多元核得分（MKS），旨在更好地处理多元数据。该得分将残差向量压缩为标量，同时保留几何信息，从而生成能够适应数据结构的预测区域。MKS 提供了一种统一的方法来处理贝叶斯不确定性量化和频率论覆盖保证，有望减小预测区域的体积并在回归任务中实现无维度适应。
-
研究人员提出用于无监督动作分割的深度核视频近似方法
研究人员开发了一种新颖的视频无监督动作分割方法，特别适用于无法存储或受限的大型数据集场景。该技术涉及在深度核空间内学习，以近似视频的帧分布，并使用最大均值差异（MMD）作为接近度度量。该方法利用神经切线核（NTKs）的描述能力，并避免在输入和核函数联合学习过程中出现平凡解。该方法在多个基准测试中表现出与最先进技术相媲美的性能，并且在分割数量未知时优于先前的方法。