Sobolev
PulseAugur coverage of Sobolev — every cluster mentioning Sobolev across labs, papers, and developer communities, ranked by signal.
-
新研究详细阐述了多维随机特征法的谱收敛性
研究人员已证明，随机特征法（RFM）在 Sobolev、Gevrey 和超解析等多种正则性类别中，对多维目标的谱收敛性。该分析提供了高概率近似估计，表明单个随机空间可以以谱精度跨多个误差范数近似指定球内的任何目标。收敛速率从超指数到代数不等，具体取决于目标的正则性。此外，该研究为 RFM 离散化建立了抽象误差估计，将近似界转化为多维椭圆边值问题和特征值问题的收敛估计。研究还证明了具有傅立叶特征的随机特征矩阵的超指数奇异值衰减和具有 t…
-
New Sobolev Regularized Score Difference Estimator for Diffusion Models
研究人员开发了一种估计扩散模型中分数差值的新方法，这对于迁移学习和训练后调整等任务至关重要。这种Sobolev正则化分数差值估计器具有统计一致性和可扩展性，在现有方法中表现更优，尤其是在高维和小样本场景下。该方法实现了 $O(n^{- rac{s-1}{d+2s-2}})$ 的收敛速率，并在心电图信号生成等应用中展示了实际效果。
-
多任务深度学习的新算子理论界
研究人员为深度多任务学习模型开发了算子理论泛化界。该方法将网络层表示为向量值再生核希尔伯特空间中的Koopman组合算子。该方法为特定的网络架构产生了Rademacher复杂性界，并区分了输出耦合和层算子范数的贡献。研究还探讨了一维布朗/Cameron--Martin模型，提供了不依赖于Sobolev光滑指数的层界。
-
新框架统一了具有诱导度量的标志点形状空间
研究人员开发了一个新颖的框架，该框架统一了现有的标志点形状空间方法。这种新的构造整合了Kendall的标志点形状空间（它因子化了刚性运动并固定了尺度）与使用源自微分同胚群上Sobolev度量的黎曼度量的空间。所得空间保持了标志点正则性、环境空间度量定义、局部刚性变换保持和全局刚性运动移除等理想属性，同时还固定了尺度。
-
新方法利用导数约束优化得分函数估计 · 跟踪2个来源
研究人员开发了一种使用导数约束的得分函数估计方法，该方法可应用于概率测度推断和基于得分的生成建模。通过将假设空间约束在 Sobolev 球内，该方法旨在防止过拟合并实现 minimax 估计率。该技术有望提高基于得分的生成模型的输出质量。
-
新型激活函数使固定大小的神经网络能够实现任意精度
研究人员引入了新的激活函数，即基本通用激活函数 (EUAF) 和可微通用激活函数 (DUAF)，旨在使固定大小的神经网络能够实现任意精度的 Sobolev 近似。该研究表明，使用这些新型激活函数的网络可以在 $W^{s-1, ext{inf}}$-范数下以任意精度近似 $W^{s, ext{inf}}((a,b)^d)$ 中的函数。文章提供了网络宽度和深度的显式界限，并探讨了 DUAF 的 S 型变体。