Jun, 2024

数据复杂性的几何视角：基于扩散模型的高效局部内部维度估计

PDF
TL;DR基于扩散模型的 Fokker-Planck 方程提供了一种解决现有方法缺陷的局部内在维度估计器 FLIPD，它兼容于各种流行的深度生成模型，并在局部内在维度估计基准测试中优于现有基线模型。
发现论文，激发创造
  • 基于维纳过程的局部内在维度估计方法视角

    本研究调查了最近最先进的参数化局部内在维度估计方法，从维纳过程的角度探讨了这些方法在其假设不满足时的行为，并给出了这些方法的扩展数学描述以及其误差与数据的概率密度函数之间的关系。

    Jun, 2024

  • LIDL: 使用近似似然度量的局部内在维数估计

    提出了一种利用极大似然法进行局部内嵌维度估计的新方法，并成功地通过利用近期参数神经方法在似然估计方面的进展，解决了对高维数据进行非参数最近邻估计中出现的问题。

    Jun, 2022

  • 利用本地固有维度检测深度扩散模型生成的图像

    本文提出了使用轻量级多本地内在维度 (multiLID) 技术，在对抗性生成数据检测的基础上，进行合成图像自动检测和相应生成器网络的识别的方法，该方法与现有检测方法相比，在许多现实用例中提供接近完美的检测结果，并证明在扩展性、检测性能和模型鲁棒性等方面的表现优越性。

    Jul, 2023

  • 使用交叉本地内在维度评估 GAN 的质量

    本文提出了一种基于 GAN 模型学习的数据空间的内在维度特征来评估 GAN 生成数据能力的方法，同时提出了一种新的评估度量 CrossLID，并通过在 4 个基准图像数据集上的实验表明，与其他现有的评价指标相比，CrossLID 更加敏锐，并且可以用于改善 GAN 的生成质量。

    May, 2019

  • 基于测度集中的本地内在维度估计器

    本文介绍了基于线性可分性的本地 ID 估算器，并与其他利用测量集中各种效应引入的 ID 估算器进行比较并研究其属性。观察到的估算器之间的差异可用于预期它们在实际应用中的行为。

    Jan, 2020

  • 局部内在维度对特征对抗样本子空间描述的限制

    本文研究了使用局部内在维数来刻画深度神经网络对抗性样本的子空间，针对存在的局限性作了实验验证，结果表明 LID 能力有限。

    Mar, 2018

  • 使用本地内在维度来表征对抗子空间

    本文旨在通过对深度神经网络和其对抗样本的研究，提出并利用局部内部维度 (Local Intrinsic Dimensionality，简称 LID) 给出对抗样本的特征维度描述，并且实验结果表明在五种攻击策略和三项基准数据集上，相较于多种当前主流的检测措施，该方法能够更加准确地区分出对抗样本。

    Jan, 2018

  • 维度感知的异常检测：理论与实验分析

    我们提出了一种非参数异常检测方法，该方法完全考虑了数据集中的局部内在维度变化。通过使用局部内在维度估计值的局部估计以理论上合理的方式，我们的维度感知异常检测方法 DAO 被推导为涉及查询点和随机选择的近邻之间的渐近本地期望密度比的估计器。通过对 800 多个合成和真实数据集的全面实验，我们表明 DAO 明显优于三个流行且重要的基准异常检测方法：局部异常因子（LOF），简化 LOF 和 kNN。

    Jan, 2024

  • 超越噪音：最佳邻域识别下的内在维数估计

    在这项工作中，我们介绍了一种自动选择合适尺度的协议，该尺度能够使内在维度具有意义且有用，并且通过对人工和真实数据集的基准测试来证明了该程序的实用性和鲁棒性。

    May, 2024

  • 大规模几何学习的内在维度

    本文提出了确定内在维度函数的计算方法，通过将数学测量集中现象公理地与内在维度联系起来，我们证明了其计算的可行性，并在模型中体现了复杂数据的几何特性，特别地，我们提出了一种将邻域信息纳入内在维度的主要方式，使得对常见图学习过程的新洞察成为可能。

    Oct, 2022