wavelet
PulseAugur coverage of wavelet — every cluster mentioning wavelet across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
TimeLAVA框架为时间序列提供无学习数据估值
研究人员推出TimeLAVA，一个旨在为时间序列数据中的时间段进行估值的新型无学习框架。该方法通过捕捉时间依赖性和多尺度模式来解决现有方法的局限性，这些模式对于医疗保健、金融和工业监控等应用至关重要。TimeLAVA利用一种新颖的选择性小波基Wasserstein距离，结合小波变换和不平衡最优传输，无需模型训练即可高效计算段值。
-
新框架统一了深度神经网络的表示成本
一篇新的研究论文介绍了一个统一的框架，用于分析参数化数据拟合方法的表示成本。该框架揭示了包括核方法、小波和浅层神经网络在内的各种模型的诱导函数空间，并将它们视为特例。对于具有ReLU激活的深度神经网络，该论文证明了它们的原生空间是拟Banach空间，其中归纳偏倚无法通过深度大于二的范数来捕捉。
-
神经网络学习函数空间的自适应标准正交基
研究人员开发了一种新颖的方法，使用神经网络来学习和优化函数空间的标准正交基。与傅里叶或小波等固定基不同，这种方法允许基适应特定的数据集或问题。该技术将标准正交基建模为李流形上的路径，由参数化的神经网络驱动的常微分方程驱动。研究表明，即使使用低秩生成器，这些由神经网络定义的路径也可以近似任何目标标准正交基，在主成分分析和物理模拟等应用中显示出灵活性。
-
新的DPP核利用小波改进机器学习小批量
研究人员开发了使用小波的新型行列式点过程（DPP），以改进机器学习任务的小批量生成。这些新颖的DPP提供了可证明的更优准确性保证，并提供了一种将连续DPP转换为适合子采样的离散核的通用方法。该方法提高了方差缩减和计算效率，将基于DPP的方法的适用性扩展到正则性较低的目标函数。