本研究提出了一种名为 ExGAN 的 GAN 方法,基于极值理论(EVT)来识别和生成真实和极端的训练样本,有效地帮助风险管理。该方法在测试中表现良好,可以用较短时间内生成所需要的多种极端事件模型。
Sep, 2020
本文提出了一种基于神经网络的似然函数 - free 方法来估计广义极值分布,以解决传统极大似然估计方法在大规模数据集上的计算瓶颈,并通过仿真和气候数据应用实验证明了其在精度与速度之间达到了一个平衡。
May, 2023
本研究提出使用变分生成对抗网络来解决无线信道建模中的问题,可以精确地捕捉随机的信道响应,并且可以在一系列真实信道分布上优化性能。
May, 2018
本文提出了一种新颖的联合传输功率和资源分配方法,旨在实现在车联网中实现超可靠低延迟通信(URLLC),方法采用极端值理论来定义可靠性指标,并利用联邦学习技术,在保证车辆用户(VUEs)的高可靠性的情况下,最小化 VUEs 的网络广泛功耗。
利用深度生成模型模拟粒子物理中超高粒度探测器回应的研究论文
Mar, 2024
本研究使用生成对抗网络研究在有限计算成本下创建大量分析特定的 LHC 模拟事件的可能性,并针对 Z→μμ 事件生成 muon four-momenta,包括特定分布的问题,展示通过在生成器的损失函数中包含回归术语可以获得明显的性能提升和收敛速度加快,并开发客观标准以定量评估生成器的性能。这种方法的推广将大大减少大型粒子物理实验中所需的完全模拟事件的数量。
Jan, 2019
该论文研究了无监督学习中生成模型的训练方法,提出了一种在对抗网络与似然训练之间进行混合训练的方法,其中使用深度可逆变换来解决概率和逆变换之间的冲突,实现了更好的生成样本和更高的似然性评估。
基于变分自编码器的方法来采样多元重尾分布,进而得到准确极值,此方法在洪水灾害风险评估方面具有潜在应用价值,不仅在测试数据中的性能比标准变分自编码器好,还比竞争的极值理论方法更好地学习了极端事件之间的依赖关系。
Jun, 2023
本研究利用生成式对抗网络,学习电动汽车充电过程的分布规律,为电网运营商应对交通运输领域向低碳化方向的转型提供一种新型的数据仿真方法.
Aug, 2021
气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络(GANs)模拟了孟加拉湾的极值风速、显著波高和总降水量,结合传统的极值理论进行尾部推断,为气候风险评估和灾害应对提供了有效的方法。
Nov, 2023