Yi Zhang
PulseAugur coverage of Yi Zhang — every cluster mentioning Yi Zhang across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的贝叶斯信号分解方法使用扩散-Gibbs采样
研究人员开发了一种新颖的贝叶斯信号分量分解框架，将Gibbs采样与扩散先验相结合。这种新方法，称为扩散内Gibbs（DiG），允许将分量模型驱动和数据驱动的先验统一纳入扩散模型。DiG采样器可被证明从后验分布中产生样本，并扩展了现有的基于扩散的采样器，在数值实验中表现出优越的性能。
-
新的NPPR指标提供了鲁棒的深度学习评估
研究人员引入了非参数概率鲁棒性（NPPR），一种用于评估深度学习模型鲁棒性的新指标。与假设已知扰动分布的先前方法不同，NPPR直接从数据中学习这种分布，在不确定性下提供了更实际的评估。开发了一种使用高斯混合模型的NPPR估计器，理论分析表明其与现有的对抗性和概率鲁棒性指标的关系。在标准数据集和各种模型架构上的实验表明，NPPR提供了更保守的鲁棒性估计。
-
新的基准和框架推动了人工智能模型鲁棒性评估的进步
研究人员推出了 PRBench，这是一个旨在标准化深度学习模型概率鲁棒性评估的新基准。该基准在准确性、鲁棒性、训练效率和泛化误差等多个指标上比较了各种对抗性训练（AT）和针对性概率鲁棒性（PR）的训练方法。研究结果表明，AT 方法在提高对抗性和概率鲁棒性方面更为通用，而 PR 目标方法则提供了更好的泛化能力和干净准确性。此外，一个使用离散连续性模（DMOC）的新框架提供了一种数据驱动的方法来评估神经网络的鲁棒性，超越了传统的 Lips…
-
新的 minimax regret 框架增强了跨不同站点的治疗效果泛化能力
研究人员开发了一种新的统计方法，用于估计跨多个站点的异质治疗效果。该方法使用 minimax-regret 框架来创建一个可泛化的条件平均治疗效果 (CATE) 模型。该方法考虑了站点之间协变量和治疗效果的潜在分布变化，提供了比特定站点或汇总分析更稳健的替代方案。结果 CATE 模型被呈现为站点特定模型的可解释的加权平均值，提高了泛化能力和稳健性，这在模拟和实际应用中得到了证明。