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.
2 天有情绪数据
-
新研究证明可学习分布是可私有学习的
一篇新论文表明，任何可以用有限数量样本学习的概率分布类，在差分隐私下也是可学习的。这一发现证明了Ashtiani的一个猜想，该猜想此前因固定目标误差而被弱否定。这项发表在arXiv上的研究表明，在可学习性的标准定义下，该猜想成立。
-
新的基于流的模型加速复杂逆问题的解决方案 · 跟踪 2 个来源
两篇新的研究论文探讨了使用基于流的生成模型解决逆问题的先进方法。第一篇论文介绍了条件流匹配，作为传统马尔可夫链蒙特卡洛方法的一种摊销替代方案，为贝叶斯逆问题提供更快、更独立的后验样本。第二篇论文提出了 MS-Flow，一种将生成轨迹表示为中间潜在状态序列的技术，以降低内存成本并提高图像恢复和计算机断层扫描等应用中的重建质量。
-
新方法量化生成模型分类器的鲁棒性
研究人员开发了一种新的通用方法来量化朴素贝叶斯分类器和生成森林所做预测的鲁棒性。该方法测量分类器的基础分布在预测发生变化之前可以改变多少，重点关注 ε-污染、总变差距离和卡方散度等扰动。研究表明，这些鲁棒性值可以作为预测可信度的指标，并与现有的可信度指标进行了比较。
-
用于量子分布学习的新分层傅里叶近似方法
研究人员开发了一种新颖的分层方法，使用布尔立方体上的Walsh-傅里叶近似来学习量子分布。该方法涉及在每个级别定义谱截断，然后将其投影到概率单纯形上并用于训练量子电路Born机。在一个级别上学习到的参数用于初始化下一个级别，从而提供端到端的学习保证。该框架分析了近似和估计的权衡，将分布误差与量子态保真度联系起来，尽管它并未消除量子神经网络训练中的贫瘠高原。
-
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。