Total variation distance of probability measures
PulseAugur coverage of Total variation distance of probability measures — every cluster mentioning Total variation distance of probability measures across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的联邦学习策略应对数据异质性和安全威胁 · 跟踪 5 个来源
研究人员正在开发新的联邦学习 (FL) 策略来应对数据异质性和安全威胁等挑战。FedImp 和 FedTVD 旨在通过根据数据质量和分布对客户端贡献进行加权来提高收敛速度和模型准确性。FedSGA 专注于优化异构环境中的模型拆分，而 STAR-FL 则引入了针对计算机视觉 FL 系统中数据投毒攻击的防御措施。这些进展共同提高了联邦学习的效率、鲁棒性和安全性。
-
新方法估计自回归模型中的分布差异
研究人员开发了新的方法来估计自回归模型生成的分布之间的全变分（TV）距离。这些方法解决了这样一个挑战：即使服务于相同模型权重的不同推理引擎，由于实现选择和优化，也可能产生不同的输出分布。所提出的算法在各种访问模型（包括样本访问、logit访问和噪声logit访问）下提供了改进的查询复杂度，实证评估证明了它们的实用性和鲁棒性。
-
新的基于距离的方法量化机器学习中的不确定性
研究人员开发了一种新颖的基于距离的方法来量化机器学习模型中不同类型的不确定性，特别解决了代表概率度量中不确定性的Credal集。这个新框架基于积分概率度量（IPMs），提供了清晰的解释和计算上的可行性。所提出的方法，特别是当使用总变差距离时，为多类分类提供了有效的度量，并推广了现有的二元不确定性度量。
-
新不等式阐明高斯混合模型距离关系
研究人员建立了新的不等式，精确定义了高斯混合模型总变差距离与Hellinger距离之间的关系。他们的发现提供了一个通用上限，表明Hellinger距离受总变差距离的幂次控制。这项工作解决了该领域的一个开放性问题，并为高斯混合模型的学习提供了熵特征化，对鲁棒估计和经验贝叶斯方法具有启示意义。