基于维纳过程的局部内在维度估计方法视角
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。
Jun, 2024
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
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
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
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
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
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
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
本论文提出了一种名为 GeoMLE 的算法，通过回归标准 MLEs 实现对平坦流形的内在维度的显式计算，能够有效地处理非均匀采样的流形，并在不同的合成和真实数据集上实现了最先进的性能。
Apr, 2019