Stochastic gradient Langevin dynamics
PulseAugur coverage of Stochastic gradient Langevin dynamics — every cluster mentioning Stochastic gradient Langevin dynamics across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SalientGS 统一 SfM 和 3DGS 以实现更快的 3D 场景重建 · 已跟踪 2 个来源
研究人员开发了 SalientGS，这是一种将运动恢复结构 (SfM) 与 3D 高斯泼溅 (3DGS) 相结合用于 3D 场景重建的新型流水线。该系统采用重要性引导的马尔可夫链蒙特卡洛 (MCMC) 高斯分配，以有效地将计算资源重新分配给场景中拟合不足的区域。这种方法可在约 15 分钟内实现端到端重建，并达到高感知质量。
-
新方法增强大型AI模型的不确定性量化能力
研究人员正在开发新方法来改进大型模型中的不确定性量化。一种方法，语义高斯过程不确定性（SGPU），分析答案嵌入的几何结构，以估计语义一致性，而无需脆弱的聚类。另一个框架，方差门控集成（VGE），使用信噪比门将认知敏感性注入不确定性估计。这些方法旨在为高风险应用中的决策提供更可靠、更准确的不确定性估计。
-
DIPLI框架利用深度学习增强天文图像修复
研究人员开发了DIPLI，一种利用深度图像先验（DIP）和多帧处理的用于修复天文图像的新型框架。与传统的深度学习方法不同，DIPLI不需要大型标记数据集，并解决了DIP的过拟合和不稳定性限制。该框架通过TVNet模型整合了密集光流估计，并使用随机梯度 Langevin 动力学（SGLD）进行蒙特卡洛估计以获得改进的结果。
-
新的多项式 Stein 差异方法改进了贝叶斯推理样本质量评估
研究人员推出了一种新的方法——多项式 Stein 差异 (PSD)，用于评估贝叶斯推理算法生成的样本质量。该方法旨在克服现有方法（如核 Stein 差异 (KSD)）的可扩展性和维度限制。PSD 提供了一种计算效率更高的方式来评估矩收敛，并有助于贝叶斯采样算法的超参数调整。
-
研究了指数概率测度的定量拉普拉斯型收敛结果
本文探讨了指数概率测度的定量拉普拉斯型收敛结果，重点关注类范数势。在广义雅可比行列式可逆条件下，利用Wasserstein距离建立了测度 $\pi_\varepsilon$ 和 $\pi_0$ 之间的界限。该研究利用了几何测度论工具，并将研究结果应用于最大熵模型以及非凸最小化在低温下随机梯度Langevin动力学的收敛性。