Normalizing Flow
PulseAugur coverage of Normalizing Flow — every cluster mentioning Normalizing Flow across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
视觉MAE适用于时间序列异常检测
研究人员开发了VAN-AD，一个新颖的时间序列异常检测框架，该框架改编了在ImageNet上预训练的视觉掩码自编码器（MAE）。该方法旨在提高跨不同数据集的泛化能力，尤其是在训练数据有限的情况下。VAN-AD包含一个自适应分布映射模块以增强异常模式的检测，以及一个归一化流模块来估计数据窗口的概率密度，在多个真实世界数据集上表现优于现有的最先进方法。
-
AI利用强化学习估计食品材料属性
研究人员开发了一种新颖的方法，利用潜在空间强化学习来估计食品断裂模拟中的材料属性，并以橙子剥皮为例进行了演示。该方法训练了一个以目标为条件的近端策略优化（PPO）策略，以从断裂行为描述中预测材料参数，恢复率为0.642。通过进一步增强，包括使用CMA-ES进行热启动，恢复率提高到0.828，为逆向物理学提供了一个实用的框架，并为视觉驱动的材料识别提供了潜力。
-
New particle method slashes Bayesian inference costs
研究人员开发了 amortized mean-shift interacting particles，一种用于贝叶斯推理的新颖方法，可显著降低逆问题中积分评估的计算成本。与需要大量样本的传统蒙特卡洛方法不同，这种新方法使用学习到的映射在单次前向传递中生成加权节点，从而提高了效率。该方法在各种后验类型中都显示出改进的准确性和效率，包括像地下水模拟这样的复杂基于物理的模型，为现有的蒙特卡洛积分技术提供了帕累托改进。
-
新的FTIP方法增强了贝叶斯函数空间推理
研究人员推出了一种新颖的变分推理方法——流变换隐式过程（FTIP），旨在增强贝叶斯函数空间建模。FTIP通过采用归一化流为函数组合创建更具表现力的变分分布，从而解决了现有方法中的局限性。这使得FTIP能够更好地捕捉复杂的后验结构，例如不对称性和多模态性，而这些结构常常被传统的高斯近似平滑或压缩。
-
新方法增强了用于不确定性量化的共形预测
研究人员开发了共形预测的新方法，这是一种用于机器学习中不确定性量化的技术。第一种方法利用可微分的非一致性分数在输出空间上创建流，从而能够高效地采样共形边界并生成预测分布。第二种方法通过引入分支归一化流（BNF）来解决分布偏移问题，BNF 将测试输入归一化以匹配校准分布，并转换预测集以保持条件覆盖保证。
-
新的判别器信息重采样提高了高斯混合滤波器的准确性
研究人员开发了一种新方法，通过为重采样步骤引入学习到的判别器来改进集成高斯混合滤波器（EnGMF）。该判别器采用归一化流方法实现，旨在拒绝物理上不切实际的粒子样本。在 Ikeda 地图和 Lorenz '63 系统上的实验表明，与标准的 EnGMF 相比，这种判别器信息重采样在样本成员较少的情况下尤其能持续减少误差。
-
研究人员使用生成模型通过得分匹配解决量子动力学问题
研究人员开发了一种新颖的方法，通过学习玻姆轨迹上的得分函数来求解含时薛定谔方程。该方法利用神经网络参数化得分函数，并最小化自洽的Fisher散度，有效地将实时量子动力学重塑为由得分驱动的归一化流。该框架已在波包分裂和非谐振动方面得到验证，有可能将量子力学与现代生成建模工具相结合。