Ornstein–Uhlenbeck process
PulseAugur coverage of Ornstein–Uhlenbeck process — every cluster mentioning Ornstein–Uhlenbeck process across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的EB-GAD框架提供无需训练的图异常检测
研究人员推出了一种新颖的、无需训练的图异常检测框架EB-GAD。该方法将正常性建模为一种感知图的松弛过程，并使用经验贝叶斯从残差场似然度拟合图精度。EB-GAD框架通过将其构建为有限视野控制能量问题，为异常评分提供了封闭形式的解决方案。该框架在包括金融欺诈网络、评论图和社交媒体数据集在内的十一个基准测试中的九个上，展示了优于或并列最佳的性能，且通常具有显著优势。
-
开发了马尔可夫链的新高斯近似界
研究人员开发了来自均匀遍历马尔可夫链的多元鞅差和的新高斯近似界。这些界限以高阶 Wasserstein 距离表示，在固定维度和阶数时达到 O(n^{-1/2}) 的最优速率。该方法引入了新技术来管理时间依赖性和高阶 Wasserstein 距离的复杂性，有可能在这些条件下的统计分析中提供更广泛的应用。
-
新方法利用不完美跟踪中的不确定性来预测轨迹
研究人员开发了一种新颖的轨迹预测方法，该方法考虑了现实世界跟踪数据中固有的不确定性。该方法将观测到的状态建模为高斯分布，同时考虑了定位抖动和数据关联模糊性。通过将这些不确定性视为信息信号，该模型可以生成更可靠的概率预测。在Oxford Town Centre和VIRAT等数据集上的实验表明，与传统方法相比，其准确性和预测可靠性得到了提高。
-
新的自平衡顺序采样方法提供更快的收敛速度
研究人员开发了一种新的顺序采样方法，称为自平衡顺序采样，该方法在保持样本不可预测性的同时，实现了更快的收敛到目标分布。该方法通过提供 O(n^{-1}) 的收敛速率，优于标准的独立同分布 (IID) 采样，其收敛速率通常为 O(n^{-1/2})。该技术旨在减少重复选择和覆盖范围的空白，使其适用于审计调度和治疗分配等应用。
-
新研究为使用 Langevin 动力学训练 AI 的安全性设定界限
一篇新研究论文发布在 arXiv 上，探讨了使用 Langevin 动力学训练 AI 模型的安全性。该研究侧重于限制模型在训练过程中进入指定故障区域的轨迹概率。研究人员开发了三个界限，表明故障区域的平衡质量与维度呈指数级关系，并且轨迹概率可以在时间上统一进行上限控制。
-
新的NSAC架构增强了概率表示学习
研究人员开发了一种新的受生物启发的架构，称为神经随机注意力电路 (NSAC)，用于连续时间表示学习。这种新颖的方法使用随机微分方程和互联门重新构建注意力logit计算，从而在注意力权重中实现原则性的随机性。NSAC架构旨在量化偶然不确定性和认知不确定性，在包括函数逼近、回归、预测和自动驾驶应用在内的各种学习任务中，展示了具有竞争力的准确性和良好校准的不确定性估计。