Product of experts
PulseAugur coverage of Product of experts — every cluster mentioning Product of experts across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的Geodesic-SVDD框架增强了分布式表格学习
研究人员开发了Geodesic-SVDD,一种用于分布式表格学习的新型框架,解决了现有方法的局限性。该方法将客户端任务重新定义为超球体上的一类密度估计,从而允许在一轮中进行模型聚合。该框架利用残差球形编码器和测地线潜在混合来维持超球体约束并防止流形坍塌,在多个表格基准测试中优于其他联邦方法。
-
新的CoPoE框架解决了阿尔茨海默病诊断中的缺失数据问题
研究人员开发了CoPoE,一种新颖的多模态阿尔茨海默病诊断框架,可有效处理缺失数据。CoPoE将各种临床证据映射到一个结构化的潜在空间,该空间代表遗传风险、分子病理学、神经退行性和临床分期。通过使用仅包含可用模态的专家乘积架构,CoPoE避免了合成缺失输入,并为任何数据子集保持了稳健的后验。在ADNI数据集上的实验表明,CoPoE在全模态和子集评估中均表现出色,优于现有的融合方法,并改善了概率校准指标。
-
用于双靶点分子设计的新型融合贝叶斯流网络
研究人员推出了一种新颖的贝叶斯流网络 FusedBFN,专为双靶点分子设计而开发。该方法旨在生成能够同时与两个蛋白质靶点相互作用的分子,这是开发复杂疾病疗法的关键一步。FusedBFN 通过将双靶点生成表述为分布融合并利用专家乘积方法来整合来自两个靶点的信息。为了克服双靶点结构数据有限的问题,该模型利用了预训练的靶点感知 BFN 作为骨干,并采用了先进的对齐策略。
-
苹果研究人员通过新的解码技术推进扩散语言模型
苹果的机器学习研究部门发表了几篇论文,详细介绍了扩散语言模型(dLLMs)的进展。与自回归模型相比,这些模型通过并行解码多个 token,有可能实现更快的推理。研究包括探索用于口语模型的连续扩散、通过残差上下文扩散(RCD)提高 dLLM 的效率,以及使用强化学习训练解遮蔽策略。其他工作则侧重于通过专家产品(PoE)等技术弥合扩散模型和自回归模型之间的差距,并开发统一不同解码策略的混合模型。
-
CatSignal 框架使用上下文先验来推断非说话智能体的意图
研究人员开发了 CatSignal,一个受贝叶斯启发的框架,通过整合空间上下文和行为观察来推断非说话智能体的意图。该方法将上下文视为先验约束,使用上下文门控专家乘积(Product-of-Experts)公式来结合空间上下文、姿态动力学和声学线索。在家庭猫数据集上进行测试,CatSignal 达到了 77.72% 的准确率,优于更简单的融合方法,并显著减少了由上下文驱动的捷径引起的错误。