Maximum Mean Discrepancy (MMD)
PulseAugur coverage of Maximum Mean Discrepancy (MMD) — every cluster mentioning Maximum Mean Discrepancy (MMD) across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DC规划方法优化Wasserstein空间中的泛函 · 跟踪2个来源
研究人员开发了一种新方法，通过调整凸差（DC）规划方法来优化Wasserstein空间中的非凸泛函。该技术应用于最大均值差异（MMD）和能量距离（ED）等泛函，旨在提高优化算法的收敛性和稳定性。实证结果表明，与这些目标的标准Wasserstein梯度下降相比，DC分解提供了更快、更可靠的收敛。
-
新研究揭示AI模型提取防御措施存在漏洞
两篇新研究论文指出了当前针对AI模型提取攻击的防御措施的漏洞。一篇论文提出了一个简单而有效的检测器，通过分析流量窗口分布来识别API使用中的异常，实现了高检测率和低误报率。第二篇论文表明，现有的防御措施通常假设攻击来自单一客户端，但可以通过协调的多客户端策略绕过，使其对复杂的攻击者无效。
-
新的专家混合（MoE）框架提高了时间序列预测的效率和准确性
研究人员开发了新的专家混合（MoE）框架用于时间序列预测，旨在提高效率和准确性。AME-TS 使用结构引导路由，将专家专业化与时间数据特征对齐，在较小规模上优于现有模型。Super-Linear 采用轻量级、频率专业化的线性专家和频谱门控，实现高效稳健的预测。动态 TMoE 通过根据检测到的分布变化动态实例化和修剪专家来解决非平稳数据问题，取得了最先进的性能。
-
新的传输滤波方法改进了非线性、非高斯近似
研究人员开发了一种新的无似然传输滤波方法，该方法利用状态变量和观测变量之间的耦合。该方法将滤波分析步骤重新表述为最小化真实联合测度和近似联合测度之间的最大均值差异（MMD）。该方法提供了传输图的解析计算，避免了粒子坍塌，并能准确近似非高斯滤波后验，在非线性、非高斯场景中表现出优越的性能。
-
新的CP-MMD方法统一了统计检验的核选择
研究人员引入了一种名为复杂性惩罚MMD（CP-MMD）的新统计方法，以提高双样本检验的准确性。该方法将核选择视为模型选择问题，允许直接在连续核空间上进行优化，而无需网格搜索。CP-MMD在数学上考虑了核搜索的复杂性，确保了测试能力和统计有效性的提高。