从大树到种子:在均匀附着模型中推断种子
本文研究了种子图在优先附着模型中的影响,着重于树的情况。我们发现从局部极限点的角度来看,种子没有影响,但我们猜想不同的种子会从总变差的角度得到不同的极限树分布,并通过显示具有不同程度简档的种子导致最大度数的极限分布不同来证明这一猜想的第一步, implying that such seeds lead to different (in total variation) limiting trees。
Jan, 2014
本文研究了随机递归树中顶点到达顺序估计问题。具体而言,我们研究了两个基本模型:均匀连接模型和线性优先连接模型。我们提出了一种基于 Jordan 中心度度量的顺序估计器,并定义了一族风险度量方法来量化排序过程的质量。此外,我们为该问题建立了极小极大下界,并证明了所提出的估计器几乎是最优的。最后,我们通过数值实验证明了所提出的估计器优于基于度数和谱的排序方法。
Mar, 2024
本文旨在通过调查感知随机性对模型性能和鲁棒性的影响,将模型稳定性量化为随机种子的函数。我们特别研究了随机种子对注意力、基于梯度和替代模型的(LIME)解释行为的影响。我们提出了一种名为 ASWA(Aggressive Stochastic Weight Averaging)的技术及其扩展版本 NASWA(Norm-filtered Aggressive Stochastic Weight Averaging),以提高对种子的模型稳定性。通过我们基于 ASWA 和 NASWA 的优化,我们能够提高原始模型的鲁棒性,平均缩减模型性能的标准差 72%。
Sep, 2019
本文研究了在具有一致稀疏图序列的随机树 T 上的同质化因子模型的自由能密度存在性,并通过新的插值方案证明了存在性并具体计算了该量。通过实例计算,我们证明了该极限与在 T 上的 Belief Propagation(Bethe)递归的适当不动点处的 Bethe 自由能函数重合。
Oct, 2011
本文研究了广义紧度量空间中基于几何偏爱连接图的度序列,揭示了在吸引函数的某些条件下,其度序列的行为类似于 Borgs 等人研究的基于乘法意愿模型的偏爱连接图。当度量空间有限时,空间中每个点的度分布收敛于一个渐近幂律,其指数取决于所选点;对于无限度量空间,我们可以证明对于正测度的 $S$ 的 Borel 子集中的顶点,其度分布收敛于一个尾巴接近幂律的分布,其指数再次取决于集合。
Aug, 2012
研究了长尾训练数据对于文本到图像模型的影响,并提出了 SeedSelect 技术,通过在噪声空间中选择适当的初始种子,可以有效地生成罕见的图像概念,提高了模型效果,特别是在手部图像生成方面的表现得到了明显改善。
Apr, 2023
我们对随机种子在扩散推断期间的影响进行了大规模的科学研究,并发现种子对生成的图像具有显著影响。我们进一步研究了种子对可解释的视觉维度的影响,并展示了通过使用这些优质的种子进行改进的图像生成,例如高保真推断和多样化采样。本研究突出了选择良好的种子的重要性,并为图像生成提供了实际效用。
May, 2024
本研究探讨了多个概率预测方法,包括基于信任函数和可靠分类的方法以及我们称之为证据累加的原则。实验结果表明证据累加的效果优于投票和取平均值的方法,特别是在中等规模的叶子节点上。
Aug, 2022
本研究通过研究种子 PageRank 以及它在不同网络拓扑结构下的行为,得出了在含有类似于现实社交网络中节点度数分布的图中,能够仅仅用数量较少的元素来近似种子 PageRank 向量的结论。同时,本研究在实际网络和合成网络上的试验给出了进一步的证据,并探讨了度数序列对于种子 PageRank 的影响。
Aug, 2015