PulseAugur
中
实时 18:44:22
实体 normal distribution

normal distribution

PulseAugur coverage of normal distribution — every cluster mentioning normal distribution across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
9
90 天内 17
发布 · 30天
0
90 天内 0
论文 · 30天
8
90 天内 16
层级分布 · 90 天
主题
情绪 · 30 天

3 天有情绪数据

最近 · 第 1/1 页 · 共 17 条
  1. TOOL · CL_324936 ·

    新算法在多项式时间内学习ReLU组合

    研究人员开发了一种新算法,能够在多项式时间内PAC学习ReLU激活的正线性组合。该算法需要多项式数量的样本,并且相对于维度和激活数量,其运行时间也是多项式的。该方法利用了一种新颖的提升程序,结合了隐式张量计算和Hermite张量,以放大权重向量之间的分离度,从而能够以恒定的误差恢复它们。一个关键组成部分是一种修剪方法,该方法仅保留近似目标精度的相关向量。

  2. COMMENTARY · CL_323619 ·

    AI分析师面临将噪音报告为发现的风险;提出缓解策略

    AI分析师可能会无意中将噪音呈现为一项发现,方法是尝试多种分析并仅报告统计学上最显著的结果,即使实际上不存在真实效应。一个模拟实验说明了这种现象,在该实验中,当测试20种不同的指标时,三分之二的研究产生了假阳性。为缓解此问题,文章提出了三种习惯:分割数据并将一部分数据保留给AI以供后续验证;在分析前预先定义并冻结比较参数;以及保存带有日期的预测以等待实际结果。

  3. TOOL · CL_308099 ·

    基于ODE的新方法推动条件分布学习

    研究人员推出了一种名为条件Föllmer流(Conditional Föllmer Flow)的新型深度生成方法,该方法基于常微分方程(ODEs)来学习条件分布。该方法从标准高斯分布开始,有效地逼近目标条件分布。该方法使用欧拉法对流进行离散化,并使用深度神经网络估计速度场。该论文还提供了关于Wasserstein-2距离的理论收敛性分析,为这类条件分布学习提供了首次全面的端到端误差分析。数值实验表明,在包括图像数据在内的各种场景中,该…

  4. TOOL · CL_301250 ·

    新框架在不连续流形上生成数据

    研究人员开发了一种在不连续流形上生成数据的新颖框架,这项任务对于现有的生成对抗网络(GANs)和变分自编码器(VAEs)等模型来说具有挑战性。这种新方法利用预训练的对比编码器创建了一个聚类的潜在空间,每个聚类代表一个单模态子流形。然后,为每个聚类训练专门的低复杂度网络,以从高斯分布生成数据。该框架基于最大化输入数据与其潜在空间表示之间的互信息,并在合成二维数据上成功地从连续随机网络生成不连续分布。

  5. TOOL · CL_286960 ·

    新公式校准差分隐私随机梯度下降噪声以对抗成员推断攻击

    研究人员开发了一种新的闭式公式,用于校准差分隐私随机梯度下降(DP-SGD)的噪声水平。DP-SGD 是一种通过向梯度添加噪声来保护训练数据的方法。该公式特别适用于具有随机分配的 DP-SGD,其中每个记录在每个 epoch 中随机使用一次。推导出的公式提供了对使用此方法训练的模型的成员推断攻击(MIA)准确度的上限,与传统的数值隐私会计方法相比,提供了一种更有效的方法来确定必要的噪声乘数。

  6. RESEARCH · CL_280173 ·

    新研究为扩散模型提供理论保证 · 跟踪2篇论文

    两篇新研究论文探讨了扩散模型(一类生成式AI)的理论基础。第一篇论文聚焦于评分匹配扩散模型,推导出了适应数据内在维度的有限样本误差界限,为它们在结构化数据集上的成功提供了理论解释。第二篇论文在最少的数据假设下为评分扩散模型提供了KL收敛保证,通过放宽对评分函数和估计器的限制性条件,解决了现有分析中的局限性。

  7. TOOL · CL_280947 ·

    ZeNOVA 方法提供稳定、无梯度的生成模型对齐

    研究人员开发了一种新的生成模型对齐方法 ZeNOVA,该方法无需梯度信息即可运行。这种方法在无法直接访问梯度的“黑盒”奖励场景中特别有用。ZeNOVA 利用退火软值引导、流形约束超球面 Langevin 动力学和 Metropolis-Hastings 跳跃,实现初始噪声的稳定高效优化。在图像和视频生成模型上的实验表明,ZeNOVA 在稳定性和奖励优化方面优于现有的无梯度方法。

  8. TOOL · CL_245315 ·

    新的图字典学习框架使用最优传输改进分类

    研究人员开发了一个新的图字典学习(GDL)框架,该框架将图表示为从其滤波拉普拉斯算子导出的零均值高斯分布。该框架使用学习到的原子图的质心来近似观测到的图,并使用一种新颖的滤波器图距离(fGOT)度量进行测量。通过一种称为代理fGOT(sfGOT)的可处理近似来最小化重构误差,该近似通过反向传播进行端到端优化,并与Hilbert-Schmidt独立性准则相关联,以最大化节点谱嵌入之间的统计依赖性。实验表明,该方法在图聚类和分类任务中取得…

  9. TOOL · CL_208297 ·

    New Tsallis Entropy Method Enhances Sparse Learning for Correlated Data

    研究人员引入了一个新的稀疏学习统计框架,该框架利用源自 Tsallis 熵最大化的 q-高斯分布,作为传统高斯模型的更稳健的替代方案。这种方法特别有利于分析生物统计学等领域中常见的相关和异构数据。该论文还提出了一个适用于统计稀疏学习的新型优化框架,提高了数值稳定性和效率,尤其是在应用于 Hager-Zhang 共轭梯度法等算法时。

  10. TOOL · CL_174343 ·

    新的EHGCN方法融合欧几里得和双曲几何以实现事件感知

    研究人员开发了EHGCN,一种用于事件流感知的新方法,它集成了欧几里得和双曲几何。该方法旨在改进事件数据中长距离依赖和分层结构的捕获,而传统图神经网络在这方面存在困难。EHGCN利用运动感知的超边生成方案,并融合来自欧几里得和双曲空间的信息,以增强对象检测和识别等任务。

  11. TOOL · CL_147809 ·

    New SkewD Algorithm Enhances Causal Discovery Robustness in Noisy Models

    研究人员开发了 SkewD,这是一种用于位置-尺度噪声模型(LSNM)中因果发现的新算法,该算法对偏斜噪声分布具有鲁棒性。传统方法通常假设噪声是对称的,例如正态分布,当噪声偏斜时(在真实世界数据中很常见),这可能导致不可靠的推断。SkewD 扩展了现有框架以处理偏斜正态设置,采用启发式搜索和期望条件最大化算法相结合的方式进行参数估计。在合成数据集和基准数据集上的实验评估表明,SkewD 表现出色,并且即使在高偏斜度下也能保持鲁棒性。

  12. TOOL · CL_143713 ·

    高斯均值估计面临信息-计算鸿沟

    研究人员在特定污染模型下识别出了高斯均值估计的信息-计算鸿沟。该鸿沟表明,高效算法需要比理论上可能的多得多样本,或者会产生指数级运行时间。该研究通过一个几乎匹配这种权衡的算法,补充了统计查询模型中的下界,从而全面理解了问题的复杂性。

  13. TOOL · CL_129188 ·

    新的物理信息图学习框架提升工业故障诊断能力

    研究人员开发了PGU-OD,一个新颖的物理信息图学习框架,旨在改进工业机械的故障诊断,特别是在存在未知故障类型和域偏移的情况下。该框架包含一个物理信息谱注意力模块,用于提取鲁棒的故障特征,以及一个不确定性感知自适应图学习机制,用于管理不确定性传播。系统还包括一个自适应边界损失函数和双标准推理策略,以增强决策边界并可靠地识别未知故障。在公开数据集上的实验表明,PGU-OD在域偏移下的已知故障分类和未知故障拒绝方面优于现有方法。

  14. TOOL · CL_122813 ·

    机器学习基础:监督学习、无监督学习和集成技术

    本文深入探讨了机器学习的基本概念,涵盖了监督学习和无监督学习技术。通过函数逼近、偏差-方差权衡以及决策树、朴素贝叶斯、k近邻和支持向量机等常用算法来探讨监督学习。对于无监督学习,讨论侧重于聚类方法,如层次聚类和k-means,并解决了噪声和算法稳定性等挑战。文章还涉及了装袋法(bagging)和提升法(boosting)等集成学习方法,并简要介绍了强化学习。

  15. TOOL · CL_107886 ·

    新研究引入随机向量和矩阵范数的变分尾部界限

    一篇新研究论文引入了随机向量和矩阵范数的变分尾部界限,提供了一种在特定矩假设下分析这些数量的方法。该论文详细介绍了一种使用高斯分布推前(pushforward)的简化界限,并将该方法应用于推导随机向量欧几里得范数的无量纲尾部界限。此外,它重现了正半定矩阵和随机矩阵序列的现有集中不等式,并为样本协方差矩阵和随机矩阵序列建立了新的不等式。

  16. TOOL · CL_17788 ·

    统计学家解释斯坦的悖论及其对参数估计的影响

    斯坦的悖论是一个反直觉的统计概念,它表明在三维及以上的空间中,可以比仅使用抽样样本获得高斯分布均值的更好估计。James-Stein估计器使用一个涉及样本大小和维度的特定公式,在均方误差方面优于朴素方法。这个悖论挑战了传统的统计直觉,尤其是在高维空间中的参数估计方面。

  17. COMMENTARY · CL_357280 ·

    自编码器与扩散模型:相似之处与关键区别

    本文对比了自编码器和扩散模型,重点阐述了它们在学习数据流形方面的相似之处与区别。两种架构都学习重构输入数据,通常使用瓶颈层和带有残差连接的U-Net。一个关键的区别是扩散模型以时间步为条件,使其能够处理不同级别的噪声,并从文本提示生成图像,这是标准自编码器不具备的能力。