深度阿基米德伪椭圆积分
本论文通过引入 copula 和 marginal generative flows (CM 流),解决了深度生成网络中存在的尾部特性建模或外推的问题并提出了上界方法。最终的结果支持了 CM 流的使用。
Jul, 2019
神经网络可以非参数地逼近任意二维 Copulas 函数,该方法在估计二维 Copula 输出方面表现优于现有方法,并且尊重 Copula 函数的数学属性。
Sep, 2023
本文提出了使用基于概率模型的合成数据生成器,通过正则化流学习联合分布密度估计以及单一边际分布密度估计,取得了在密度估计以及生成高保真合成数据方面面拟真度得到了有效的提升。
Jan, 2021
利用极值依赖理论提出了一种新的框架来解决半监督域自适应问题,该方法将任何多变量密度分别分解成边缘分布和二元 Copula 函数的乘积,通过检测和修正每个因素的变化来实现密度模型的适应,并引入了一种新颖的藤 Copula 模型,在非参数的情况下进行因式分解。实验结果表明,与最先进的技术相比,所提出的方法在具有真实世界数据的回归问题中表现出有效性。
Jan, 2013
本论文提出一种使用 copula 来明确建模多智能体系统中相关性和协调性的方法,该方法可以分别学习捕捉每个智能体局部行为模式的边缘分布以及完全捕捉智能体之间依赖结构的 copula 函数,实验结果表明,该模型在动作预测任务中表现优于现有基线,并能够生成接近于专家演示的新轨迹。
Jul, 2021
我们提出了一种基于高斯联合分布的特征选择方法,该方法可以在神经网络中进行实例级的特征选择,并捕捉变量之间的相关性。实验结果表明,我们的方法能够准确地捕捉到有意义的相关性。
Aug, 2023
超宽视野眼底图像在近视相关并发症的筛查、检测、预测和治疗中取代传统眼底图像,其更广阔的视野范围对高度近视眼非常有优势。球等效度(SE)广泛被用作主要的近视结果测量指标,而眼轴长度(AL)作为一个重要的视觉组成部分越来越受到关注,用于评估近视。我们提出了一种通过高阶张量生物标志物建立多变量反应回归模型的统计框架,用于双变量的回归分类和回归回归任务,具体来说,我们提出了一种通过高斯胞联提高卷积神经网络(CeCNN)框架,通过一个估计自启动卷积神经网络的参数得到两个反应之间的依赖性,并使用由背景 CNN 产生的胞联似然损失。我们验证了提出的 CeCNN 在添加了依赖信息到背景模型之后具有更好的预测准确性。这种建模和提出的 CeCNN 算法不仅适用于超宽视野情境,还可以与 ResNet 和 LeNet 等其他骨干网络一起有效地应用。
Nov, 2023
本论文提出了一种基于 copula 模型生成合成数据集的新方法,以生成在边际和联合分布方面类似于真实数据的代理数据。将该方法应用于两个数据集显示出比 SMOTE 和自编码器等其他方法更好的性能。
Mar, 2022