von Mises-Fisher distribution
PulseAugur coverage of von Mises-Fisher distribution — every cluster mentioning von Mises-Fisher distribution across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的MARGIN框架增强了不平衡软件漏洞检测能力
研究人员推出了一种新颖的MARGIN框架，旨在提高软件漏洞检测能力，特别是针对频率和难度不平衡的数据集。MARGIN通过嵌入几何的视角重新解读这些挑战，提出不平衡会导致超球表示空间失真。该框架采用自适应边距度量学习和超球原型建模，以创建更具辨别力的漏洞表示，并根据分布结构动态调整正则化，以增强稳定性和泛化能力。
-
新方法使用热核熵分析流形
研究人员开发了一种名为热核熵剖面（heat-kernel entropy profiles）的新方法，用于分析紧致流形上的加权经验测度。该技术利用内在热流扩散加权原子，以跟踪不同尺度的不均匀性。由此产生的几何有效样本量（geometric effective sample size）会折扣附近或重复的粒子，同时与分离良好的粒子的标准有效样本量保持一致。在球体上的实验表明，这种剖面可以揭示传统仅基于权重的摘要所忽略的复杂粒子结构。
-
新的vMFProto框架增强了可解释AI分类
研究人员引入了vMFProto，一个新颖的可解释分类框架，该框架将类别建模为超球体上冯·米塞斯-费希尔（von Mises-Fisher）分量的混合。该方法通过允许每个原型学习其自身的集中度来捕捉特定部分的变异性，并利用熵最优传输进行结构化块到原型的分配。在CUB-200-2011、Stanford Dogs和Stanford Cars等基准数据集上使用冻结的DINO骨干网络进行的实验表明，vMFProto在保持具有竞争力的准确性的同…
-
新的变换器架构整合吸引子动力学以提升性能
研究人员推出了一种新颖的架构——受控动力学吸引子变换器（CDAT），它将变换器的自注意力机制与联想记忆框架相结合。CDAT 集成了混合 von Mises-Fisher (Mo-vMF) 注意力能量和 Hopfield 精炼能量，并通过受 CANN 启发的调制来增强生物学上合理的推理动力学。这种方法将吸引子风格的动力学与基于能量的注意力联系起来，并在图异常检测和分类任务中展示了最先进的性能。
-
新的超球面VAE使用球形柯西分布
研究人员提出了一种用于超球面潜在空间的新型变分自编码器方法，该方法利用了高效的球形柯西分布。这种方法为生成模型提供了稳健且可扩展的替代方案，特别适用于图像和分子序列数据。提出的spCauchy分布表现出重尾行为，并允许精确的可微分重参数化，在CPU和GPU上的稳定性和评估速度方面均优于现有的基于von Mises-Fisher的方法。
-
MSD-Score 指标在无参考情况下改进了图像字幕评估
研究人员开发了 MSD-Score，一种无需参考字幕即可评估图像字幕的新颖方法。该方法将图像块和文本标记嵌入建模为分布，从而能够更细致地评估语义差异。MSD-Score 在与人类判断的相关性方面达到了最先进水平，并为局部定位错误提供了透明的诊断。
-
研究人员提出球形流以改进分类数据采样
研究人员开发了一种新的方法，通过在球体而非欧几里得空间上操作来学习离散序列的生成模型。该方法利用 von Mises-Fisher 分布创建自然的噪声过程，并允许使用 ODE 和预测器-校正器采样技术。该方法在涉及数独和语言建模任务的实验中显示出显著的改进。