Poisson process
PulseAugur coverage of Poisson process — every cluster mentioning Poisson process across labs, papers, and developer communities, ranked by signal.
-
Lévy Attention 引入单通道预测不确定性用于连续时间注意力
研究人员推出 Lévy Attention，这是一种专为不规则采样时间序列数据设计的新型注意力机制。这种新方法将预测不确定性直接集成到注意力层中，使模型能够量化其预测的可靠性，而无需额外的计算成本。Lévy Attention 通过将注意力输出表述为针对泊松随机测度的随机积分来实现这一点，该测度固有地捕获证据和分歧指标。经验上，与密集数据上的标准注意力机制相比，该方法在稀疏数据集上的准确性损失很小，并且性能显著优于 MC Dropou…
-
新的BTYD模型利用摊销变分推断加速客户分析
研究人员开发了一系列新的购买-直至死亡（BTYD）模型，这些模型超越了传统的泊松过程假设。这些新模型利用威布尔更新过程，并采用摊销变分推断方案进行高效参数估计。这种方法显著减少了计算时间，在8分钟内即可拟合包含500万零售客户的数据集，而当前最先进的方法估计需要3-4天，同时不牺牲预测性能或可解释性。该框架还便于纳入协变量，如在包含400万政治捐助者的数据集上所展示的那样。
-
新算法为次模最大化提供对抗鲁棒性
本研究论文介绍了一种名为“恶意贪婪交换泊松过程”（Spiteful Greedy Swap Poisson Process, SGS-Poisson）的新算法，用于具有拟阵约束的次模最大化问题。该算法具有对抗鲁棒性，意味着即使面对不完美的价值预言机，它也能保持其近似因子。这种鲁棒性使得开发具有改进的次模奖励遗憾界限的全赌博上下文多臂老虎机（CMAB）算法成为可能。
-
新的GPFlow框架实现了可变长度生成式蛋白质设计
研究人员开发了广义泊松流（GPFlow），一种新颖的生成式蛋白质设计框架，克服了固定长度模型的局限性。GPFlow学习一个不均匀的广义泊松过程，以实现可变长度的蛋白质生成，这对于优化蛋白质功能和可设计性至关重要。该框架在各种设计任务中表现出改进的性能，包括无条件设计、基序支架和肽共设计，其性能优于现有的固定长度基线模型。