Dec, 2023

密度下降用于多样性优化

PDF
TL;DR多样性优化研究中，使用密度下降搜索（DDS）算法通过连续密度估计的特征空间梯度下降进行特征空间的探索，并通过核密度估计（KDE）和连续标准化流（CNF）两种密度估计方法，在多个标准多样性优化基准测试中优于 Novelty Search（NS）和其他先进对照算法。
diversity optimizationnovelty searchdensity descent searchkernel density estimationcontinuous normalizing flow
发现论文，激发创造
  • 朝未知领域进发：密度递减特征扰动用于半监督语义分割

    基于密度下降的特征扰动（DDFP）是一种新颖的特征级一致性学习框架，旨在通过扰动注入将特征移向密度较低的区域，有效地规范决策边界，并通过轻量级密度估计器实时捕获特征密度分布，该方法在特征级扰动上胜过其他设计并在 Pascal VOC 和 Cityscapes 数据集上展现出卓越的性能。

    Mar, 2024

  • 人口下降：基于自然选择的超参数调优框架

    我们提出了 Population Descent，这是一个专注于超参数优化的模因算法。通过自适应的 m 优秀个体选择方法和基于标准化适应度的随机化方案，我们展示了这种算法在常见的基准任务上比复杂的现有算法提高了最多 13% 的性能。

    Oct, 2023

  • 基于质量多样性与无监督描述符的自主技能发现

    本文提出一种将 Quality-Diversity 优化算法与非监督降维算法相结合来自动定义行为描述符的方法，此方法可用于机器人学习行为库并在与环境交互时自主发现其能力范围，通过实验结果表明，该方法优于已有的非监督方法，机器人学习到的行为丰富多样。

    May, 2019

  • ADS: 近似最密子图用于新图片发现

    我们提出了一种用于新颖图像发现的快速、无需训练的算法，该算法将图像集合构建成一个知觉距离加权图，通过解决 K - 稀疏特征向量问题，在显著降低内存占用的同时，能够更准确地挖掘新颖图像。

    Feb, 2024

  • 密度敏感哈希

    提出了一种名为密度敏感哈希（DSH）算法，它是局部敏感哈希（LSH）的扩展，利用数据的几何结构避免了纯随机投影的限制，并在大规模高维数据搜索中取得更好的性能。

    May, 2012

  • 密度感知图在深度半监督视觉识别中的应用

    该论文提出了一种基于密度感知图的半监督学习方法，利用密度信息进行特征学习和标签传播，从而充分利用未标记数据，并在端到端训练中提高性能。

    Mar, 2020

  • 隐式归一化显式正则化密度估计

    我们提出了一种基于正则化密度的 Sobolev 范数的非参数密度估计的新方法，该方法与核密度估计不同，使模型的偏差清晰且可解释，虽然没有与其关联的核的封闭解析形式，但我们展示了可以使用采样来近似它，所需确定密度的优化问题是非凸的，并且标准梯度法性能不佳，然而我们展示了适当的初始化和使用自然梯度可以得到良好的解，最后，虽然该方法提供未归一化的密度，无法使用对数似然进行交叉验证，但我们展示了可以使用基于费歇分歧的得分匹配方法来完成此任务，我们在最近的安全检测基准套件 ADBenchn 上对所得方法进行了评估，发现排名第二，超过 15 种算法。

    Jul, 2023

  • 高密度子图发现的高效算法

    本文提出了一种新的解决模式来找到具有最高密度的图 G 的亚图 D，并通过 k-core 的方法开发了一些有效的解决方案来寻找包括基于团和一般模式定义密度的各种图的最密亚图，实验结果表明该算法比现有方法快四个数量级。

    Jun, 2019

  • 基于密度分布的在线持续学习挑战解决学习框架

    通过引入一种基于密度分布的学习框架，本文解决了在线连续学习中的挑战，特别是类增量学习。该框架通过实现卓越的平均准确性和时间空间效率，填补了连续学习与传统机器学习之间的性能差距。

    Nov, 2023

  • 多样性策略梯度用于高效样本质量多样化优化

    本文提出了一种新算法 QDPG，它结合了策略梯度算法和质量多样性方法，用于在连续控制环境中生成多样化和高性能的神经控制器，并且比其他进化算法更具样本效率。

    Jun, 2020