Tikhonov
PulseAugur coverage of Tikhonov — every cluster mentioning Tikhonov across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
图像建模的演变：从手工先验到基础模型
本文全面概述了过去六十年图像建模技术的发展，追溯了其从手工数学先验到现代深度基础图像模型的演变过程。它在贝叶斯框架下统一了这些方法，将图像建模视为数据流形的概率表征。文章强调，无论是Tikhonov和TV等传统方法，还是即插即用先验和去噪扩散模型等当代技术，都可以通过对数先验的梯度或Stein分数函数的视角来理解。这一视角弥合了信号处理和机器学习之间的差距，展示了图像建模在追求去噪分数方面的持续进步。
-
新的 Rènyi 正则化解决了贝叶斯推理中的模式崩溃问题
研究人员开发了一种名为 Rènyi-Regularized Flow-Based Variational Inference 的新方法，以解决贝叶斯模型校准中的模式崩溃问题。该技术通过引入基于 Rényi 散度的正则化项来改善后验近似，鼓励近似后验更好地覆盖先验支持。在实验中，该正则化成功将接近崩溃的案例比例从 50% 降低到 25%，尽管它在近似精度方面存在权衡，并且未能完全解决模式崩溃问题。
-
Untrained CNN advances photoacoustic tomography reconstruction
研究人员开发了一个新颖的光声断层扫描框架，该框架利用未经训练的卷积神经网络（CNN）进行重建。该方法在小波空间中表示未知场，并采用CNN的固定非线性特征通过Tikhonov正则化重建初始压力系数。然后使用学习到的系数空间先验来推断声速系数，展示了对新幻影几何形状的准确重建和泛化能力。与监督式CNN方法相比，该方法显著减少了重建误差和计算时间。
-
新的高斯-牛顿方法优化AI模型超参数
研究人员开发了一种基于阻尼高斯-牛顿方法的新型多目标超参数优化方法。该技术将超参数调整视为一个数值优化问题，估计雅可比矩阵以了解多个验证指标对超参数变化的敏感性。该方法在XGBoost分类任务的超参数上进行了测试，结果与网格搜索、随机搜索和TPE相比具有竞争力，特别是在乳腺癌数据集上，其准确率与网格搜索相当，同时改善了log loss和ROC-AUC。