probability measure
PulseAugur coverage of probability measure — every cluster mentioning probability measure across labs, papers, and developer communities, ranked by signal.
-
新arXiv论文详述独立成分分析的基础
本文深入探讨了线性独立成分分析（ICA）的数学基础，面向具有测度论概率论背景的读者。文章详细介绍了概率测度的特征函数理论，并探讨了在对源施加越来越严格的假设下ICA模型的辨识结果。该研究还介绍了一种在线等变梯度下降算法，用于在标准的无噪声、非高斯ICA场景中恢复独立的源。
-
新研究提供更快的马尔可夫链收敛方法
两篇新研究论文提出了加速马尔可夫链收敛的新方法。第一篇论文引入了一个称为“渐近等价于目标”的标准，提供了一条无需依赖不可约性或非周期性等传统概念即可直接证明收敛的途径。第二篇论文提出了一个称为“延迟接受正则化和退火”（DART）的框架，该框架通过利用目标密度的几何信息而不直接计算梯度来实现马尔可夫链更快的混合时间。
-
为概率测度开发了新的 Nesterov 加速方法
研究人员开发了新的概率测度加速优化方法，其灵感来源于欧几里得空间中的 Nesterov 加速梯度法。这些方法，包括重球法和 Nesterov 加速法，专为机器学习、科学计算和不确定性量化等应用而设计。该方法通过哈密顿公式将概率测度提升到相空间，并提升到希尔伯特空间，从而实现了与欧几里得方法相媲美的收敛保证。
-
新的概率测度PCA方法揭示稀疏-稠密采样转变
研究人员开发了一种新的方法，通过将概率测度嵌入希尔伯特空间来进行主成分分析（PCA）。这种方法解决了分析多个测度的挑战，每个测度都由一组样本表示。该研究推导了表征测度数量与每个测度的样本数量之间关系的收敛速率，揭示了从稀疏到稠密采样机制的转变。数值实验证实了这些理论发现，并表明子采样可以在提高计算效率的同时保持PCA的准确性。
-
New WT-PCA Method Analyzes Probability Measure Variations in Wasserstein Geometry
本文介绍了一种新的方法——Wasserstein Tangential PCA (WT-PCA)，用于学习Wasserstein几何中的概率测度的主要变化。该方法利用动力学公式将log-PCA解释为一种变分方法，能够捕捉测地线变化模式。研究还推导了经验WT-PCA估计的统计收敛率，特别是与2-Wasserstein距离的关系。
-
新的 $L^2$ over Wasserstein 框架增强了随机测度的最优传输
研究人员引入了一个名为 $L^2$ over Wasserstein 空间的新框架，以解决最优传输中的统计不确定性。该框架将经典理论扩展到随机概率测度，保留了 Wasserstein 空间的黎曼结构，并实现了随机梯度流动力学。该方法为随机最优传输提供了一种统一的方法，有利于原则性推理和生成模型，并可以纳入 Transformer 模型中的随机 token 采样等理论。