实体
Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion
Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion
PulseAugur coverage of Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion — every cluster mentioning Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
关系
最近 · 第 1/1 页 · 共 3 条
-
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。