- 使用变分推断学习最优滤波器
利用变分推断学习参数化分析映射,通过估计条件分布对于动态系统的滤波分布,在过滤线性和非线性动态系统中也适用。
- 使用强化学习为扩散模型添加条件控制
基于强化学习的 $ extbf {CTRL}$($ extbf {C}$onditioning pre-$ extbf {T}$rained diffusion models with $ extbf {R}$einforcement $ - 树流生成密度回归建模
我们提出了一种基于流的生成模型,专门用于表格数据的密度回归任务,通过在初始均匀噪声上应用一系列基于树的分段线性变换,最终生成给定协变量的复杂条件密度的 (单变量或多变量) 结果样本,并允许对样本空间中任意点的配准条件密度进行高效的分析评估。
- 不变子空间分解
我们提出了一种基于不变子空间分解(ISD)的线性条件分布的新型不变性框架,将条件分布分解为一个时间不变和一个时间相关的分量,并展示了如何利用该分解进行零样本和时间适应预测任务,通过使用近似联合矩阵对角化的技术自动推断分解,并通过有限样本保证 - 探究回归中的直方图损失
使用直方图损失函数对回归问题进行建模,通过学习目标变量的条件分布来提高性能,并确定性能提升的原因和组成部分对其的贡献。结果表明,这种学习方法的优势来自于优化的改进,而不是学习更好的表示形式。同时展示了在深度学习应用中使用直方图损失函数的可行 - 深度条件生成学习:模型和误差分析
我们介绍了一种基于常微分方程(ODE)的深度生成方法,称为条件 Follmer 流。该方法能够将标准高斯分布有效地转换为目标条件分布。在实现上,我们使用欧拉方法离散化流,并使用深度神经网络非参数地估计速度场。此外,我们推导出学习样本分布与目 - 循环有向概率图模型:基于结构化结果的提案
建立概率图模型从观测数据中学习结构时,会发现模型中的随机变量之间存在方向性的循环依赖关系。我们描述了一种概率图模型 - 概率关系网络,它允许直接捕捉结构学习过程中的方向性循环依赖关系。该模型基于一个简单的思想,即观测数据的每个样本都可以通过 - 在可分解模型之间计算边际和条件差异及其应用
计算可分解模型的边缘或条件分布之间的精确 α-β 散度,以及基于该方法分析分布变化并量化当代超导量子计算机中的错误的新方法。
- HIDFlowNet:一种基于流的深度神经网络用于高光谱图像去噪
本文提出了一种基于流的高光谱图像去噪网络(HIDFlowNet),用于直接学习给定噪声高光谱图像的清洁图像的条件分布,从而可以从条件分布中采样出不同的清洁图像。实验结果表明,与其他现有方法相比,我们的方法在模拟和真实高光谱图像数据集上具有更 - 非对数凹分布的 MCMC 算法快速条件混合
本文研究 MCMC 算法的 mixing rate 问题,并根据 Poincaré inequality 定理,展示 MCMC 算法在 state space 的 subset 上的条件概率分布上快速逼近真实条件分布的能力,进而探讨该理论在 - AAAI基于最近邻采样的条件独立性检验
本文提出了一种无需假设 X 给定 Z 的精确分布的条件随机化检验的新方法,并利用计算高效的 1 最近邻来近似编码空假设的条件分布。经实验证明,该方法不仅计算速度快,而且对于合成和实际数据分析都非常有效。
- 理解扩散模型:一种统一的视角
本文中,我们在变分和基于分数的透视下回顾,阐释和统一了扩散模型的理解。我们提出了变分扩散模型(VDM),并证明优化 VDM 归结为学习神经网络来预测原始源输入,原始源噪声或噪声输入的分数函数。最后,我们介绍了如何使用扩散模型通过引导来学习条 - 利用拆分法计算神经网络滤波方程解的表示形式
本文结合神经网络表示法和 PDE-inspired 方法提出了一种新的方案,用于逼近信号过程的未归一化条件分布,并进一步开发了一种递归归一化过程。我们将该新方案与 Kalman 和 Benes 滤波器的数值逼近结果进行了测试。
- 基于分数的扩散模型用于加速 MRI
该研究提出了一种使用分数梯度模型重构图像的方法,并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题,尤其是加速 MRI,具有强大的性能及实用性,并且可重构复杂值数据。
- 使用条件直方图的等形预测
本文开发了一种符合性方法,用于计算自适应于倾斜数据的非参数回归预测区间,利用黑盒机器学习算法用直方图估计结果的条件分布,将它们转化为具有近似条件覆盖的最短预测区间,数值实验表明,与最先进的相关方法相比,这些结果在有限样本情况下可以得到较好的 - ExSinGAN:从单张图像学习可解释的生成模型
本文提出一种基于分层前馈生成对抗模型的图像合成方法,将图像生成任务视为从单个图像的条件概率分布中抽样,按照结构、语义和纹理的顺序学习相应的条件分布,从而学习并生成能够进行图像操作的图像。
- ECCV通过学习注释一致的实例来进行弱监督实例分割
提出了一种基于弱监督的实例分割方法,使用条件分布来建模伪标签生成过程中的不确定性,通过联合概率学习目标来最小化两个分布之间的差异,实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2% [email protected] 和 4.8% mAP - IJCAI自适应加权对抗领域适应
提出了一种自适应的、基于条件分布的加权对抗领域适应方法,将三元损失与对抗损失结合应用于度量学习,以保证类别级别的对齐;实验结果表明,该方法在标准领域适应数据集上优于现有方法。
- IJCAI条件分布差异的测量方法、性质及其应用
本文提出了一种新的统计量以量化两个条件分布之间的差异,该统计量在高维空间中操作对称正半定(SPS)矩阵锥,并使用 Bregman 矩阵散度。此外,它继承了 correntropy 函数的优点,可以显式地将高阶统计量纳入数据中。最后,我们展示 - MM统一收敛的辩护:通过去随机化来实现泛化,应用于插值预测器
本研究提出通过基于替代学习模型以及条件概率分布进行去随机化以及降噪,提高对于交叉验证数据集的分类效果。