Sliced-Wasserstein distance
PulseAugur coverage of Sliced-Wasserstein distance — every cluster mentioning Sliced-Wasserstein distance across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法从数据流估计切片 Wasserstein 距离
研究人员开发了一种名为流式切片 Wasserstein (Stream-SW) 的新方法，用于从数据流估计切片 Wasserstein (SW) 距离。该方法通过引入一维 Wasserstein 距离 (1DW) 的流式估计器来提高计算可扩展性，然后将其应用于所有投影以创建 Stream-SW。该方法具有低内存复杂度，同时提供近似误差的理论保证，在具有高斯分布和混合物的实验中优于随机子采样。Stream-SW 在点云分类、梯度流和变化…
-
轻量级多模态情感模型性能超越大型模型
研究人员开发了一个名为Light-MER的轻量级多模态情感识别框架，挑战了高质量性能需要大参数量的观念。该框架利用知识蒸馏将大型教师模型的能力转移到一个参数量少于10亿的学生模型上。该方法采用了新颖的优化策略，包括切片瓦塞尔斯坦距离损失和多奖励优化技术，以提高识别准确性和效率。在九个数据集上的实验表明，Light-MER在显著提高推理速度的同时取得了最先进的结果，表明了小型多模态模型的潜力。
-
轻量级MER模型挑战大型多模态AI系统必要性 · 追踪2个来源
研究人员开发了一个名为Light-MER的新型轻量级框架，该框架挑战了大型多模态情感识别（MER）模型对于高质量性能是必需的这一假设。该框架利用知识蒸馏将知识从大型教师模型转移到小型学生模型，旨在保留丰富多模态情感推理能力，同时显著提高部署效率。该方法采用新颖的优化策略，包括带有隐藏状态对齐的切片Wasserstein距离损失和基于GRPO的多奖励优化，以平衡MER性能和效率。在九个基准数据集上的实验表明，Light-MER在推理时间…
-
新的深度学习模型通过提高准确性和可解释性来增强基于脑电图的情感识别
研究人员正在开发用于基于脑电图的情感识别的先进深度学习模型，旨在提高准确性和可解释性。一种方法使用图正则化来捕捉情感类别之间的心理相互依赖性，在 SEED-IV 和 SEED-V 等数据集上显示出更高的准确性。另一种方法 MS-iMamba 利用多尺度倒置 Mamba 模型从脑电图信号中捕捉复杂的时空特征，在 DEAP、DREAMER 和 SEED 数据集上实现了高精度。第三个框架引入了面部表情代理建模，将脑电图信号转换为面部表情，从…
-
新的切片Wasserstein距离估计器利用CDF实现数据并行
开发了一类新的切片Wasserstein（SW）距离估计器，该估计器利用累积分布函数（CDF）而非分位数函数。这种方法允许大规模数据集并行处理，并避免了对投影样本进行排序的需要，从而提高了计算效率。该方法特别适用于涉及高斯混合模型的情况，并且与联邦学习兼容，因为CDF可以在不共享原始数据的情况下在本地计算和聚合。
-
作者使用切片-瓦瑟斯坦距离修复了音频指纹比较
作者在比较音频指纹时遇到了L2距离的问题，因为它错误地将不相似的分布识别为相似。该指标未能捕捉到小波尺度上能量分布的结构差异。为解决此问题，作者提出使用切片-瓦瑟斯坦距离，它衡量将一个分布转换为另一个分布所需的工作量。该方法为复杂的音频数据提供了更准确的比较，并且在计算上对于实际应用是可行的。
-
Rust HNSW 库增加了通用距离函数支持
一位开发者创建了一个名为 `vector-index` 的新 Rust 库，以解决现有近似最近邻 (ANN) 搜索库的局限性。识别出的主要问题是距离函数的硬编码，这阻止了使用非标准度量（如 Sliced-Wasserstein 距离）。这个新库引入了一个通用的 `Metric` trait，允许用户在分层可导航小世界 (HNSW) 算法中实现和使用任何距离函数，包括自定义函数。