实体
Rao-Blackwellization
Rao-Blackwellization
PulseAugur coverage of Rao-Blackwellization — every cluster mentioning Rao-Blackwellization across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新方法加速时间序列基础模型的训练
研究人员推出了一种用于时间序列基础模型（TSFM）的新型训练目标——合成数据蒸馏（SDD）。SDD通过将TSFM的输出与合成轨迹的条件预测分布进行比较，而不是仅仅与实际的未来值进行比较，来增强预训练。这种方法是一种Rao-Blackwellization形式，已在从400万到25亿参数不等的TSFM上进行了实证验证。结果表明，SDD能够更快地收敛验证损失，并且需要的训练迭代次数更少，在Gaussian Process数据上达到了相当或更优的性能。
-
新方法通过不确定输入加速优化
研究人员开发了一种名为表型加速进化策略（PAES）的新方法，以在输入不确定时改进优化过程。该技术利用了已实现输入的信息，而这些信息在现有方法中通常被丢弃，通过Rao-Blackwell化来降低梯度估计量的方差。理论分析和数值实验表明，PAES在包括强化学习基准在内的各种优化问题上比标准的进化策略（ES）收敛更快。