- 神经条件概率推理
介绍了一种名为 NCP(神经条件概率)的新型算子理论方法,用于学习条件分布并重点关注推断任务。NCP 可用于构建条件置信区间、提取条件分位数、均值和协方差等重要统计量。通过利用神经网络的强大近似能力,该方法有效处理各种复杂概率分布,能够处理 - 在连续空间上学习条件分布
研究的主题是在多维单位盒子上基于样本的学习条件分布,采用聚类方法,在特征空间中的变化查询点附近聚类数据来创建目标空间的经验度量。聚类方案包括基于固定半径球和最近邻的方法,通过收敛速率的上界确定最佳的半径和邻居数量。通过在实践中进行经验分析, - 神经(熵)最优输运的生成条件分布
学习条件分布是具有挑战性的,因为所需的结果不是单个分布,而是与协变量的多个实例对应的多个分布。我们引入一种新颖的神经自由最优输运方法,旨在有效地学习条件分布的生成模型,特别是在样本量有限的情况下。我们的方法依赖于两个神经网络的极小极大训练: - 一种适用于音视频生成的多功能扩散变压器
通过使用新的训练方法和变量扩散时间步长,我们提出了一种基于转换器的音视频潜在扩散模型,可在任务不可知的情况下进行训练,并在推理过程中实现各种音视频生成任务,克服基线模型在生成条件输入上的时间和感知上的不连贯样本的局限性。
- Banach 空间值高斯随机变量的条件性:基于鞅的近似方法
本文研究了两个 Banach 空间值的联合高斯随机变量的条件分布,发现这些条件分布也是高斯分布,其均值和协方差由基于鞅理论的一般近似方案确定。然后将这些一般结果应用于具有连续路径的高斯过程,以路径的部分观测为条件。
- FedImpro: 度量与提升联邦学习中的客户端更新
通过生成改进的本地模型来减轻分布不同的客户机之间的客户漂移,并增强模型的泛化性能。
- 生成性学习的条件随机插值
条件随机插值 (CSI) 方法用于学习条件分布,通过学习漂移函数、条件评分函数,构建一个由普通微分方程或扩散过程驱动的确定性过程来进行条件采样,并在训练过程中引入自适应扩散项以解决不稳定性问题。我们提供了条件评分函数和漂移函数的明确形式,并 - 小规模概率元学习中的神经网络分摊推理
使用全局诱导点变分逼近来构造一系列条件分布,从而准确地对真实后验分布进行近似,其中诱导输入可以被实际数据替代,使变分分布由每个数据点的近似似然组成,从而实现了基于完整数据点的均摊推断。
- 条件分布的 Wasserstein 几何生成器
基于统计距离定义的度量空间,我们推导出了条件分布的 Wasserstein 距离的可判定上界,为学习条件分布打下了理论基础。基于该结果,我们提出了一种新的条件生成算法,其中条件分布完全由统计距离定义的度量空间来刻画。我们采用最优传输理论来设 - 基于最优传输的条件采样生成流
提出了一种非参数生成模型,通过使用三角形状的传输映射来描述目标分布的条件分布,解决了基于参数的偏差和梯度优化器学习这些转换的可靠性问题。
- ICLR半等变条件归一化流
研究使用连续归一化流学习条件分布的问题,确保对刚体运动的条件不变性,并在受体感知配体生成的分子设置中展示了该技术的有效性。
- 通过因果结构学习实现高效的 SAGE 估计
提出一个名为 d-SAGE 的算法,通过使用因果结构学习来识别条件独立性,并跳过与结果无关的特征组合,从而加速计算 Shapley 加性全局重要性(SAGE)算法的近似值。
- 使用条件样本学习隐马尔可夫模型
该论文研究了学习隐马尔可夫模型的计算复杂性,提出了一种交互式访问模型,证明该模型可以使学习算法计算效率更高,为两种不同的学习隐马尔可夫模型设置下算法,并扩展到具有潜在低秩结构的分布类别。
- DAPDAG: 基于扰动有向无环图重构的域自适应
介绍了一个利用自动编码器进行领域自适应的框架 DAPDAG,该框架通过推断统计属性并重构定向无环图作为辅助任务来更好地对多个领域的标记数据进行预测。在合成和真实数据集上的实验表明,重构定向无环图有助于提高近似推断的能力,并且我们的方法在预测 - ICLR基于 Wasserstein 分布鲁棒优化的类别条件域泛化
本文介绍一种基于分布鲁棒优化的分类器,在 Wasserstein 球内最优化条件分布的最坏情况下,增强条件分布领域泛化的鲁棒性,并利用迭代算法自动学习 Wasserstein 球半径,实验表明该方法比传统领域泛化方法在未知目标领域中表现更好 - 通过扩散恢复似然学习能量相关模型
本文提出了一种基于扩散概率模型的能量模型训练和采样方法,其将数据集分成一系列噪声水平并在其上训练每个 EBM,优化回收概率而非边缘概率的方式为此提供了一个简便的方法,并在多个图像数据集及 CIFAR-10 上实现了高保真采样。
- 分布式适应性预测
本研究提出了一种基于条件分布模型(如分位数和分布回归)构建有条件有效的预测区间的健壮方法,可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。
- 学习有指数数量条件分布
本文介绍了自我监督学习机器 Neural Conditioner (NC),该机器利用对抗训练学习限定于随机变量 X 的所有条件分布,最后可以泛化到从未见过的联合分布中进行采样和实现数据自动编码。
- ICMLJointGAN: 用生成式对抗网络实现多领域联合分布学习
开发了一种新的生成对抗网络,用于联合分布匹配,并能够从多个随机变量中学习联合分布,同时学习采样每个单独领域的边缘分布和领域间的条件分布,该框架由多个生成器和一个基于 Softmax 的评论家组成,并通过对抗性学习进行联合训练。
- 通过双重嵌入学习条件分布
本论文提出了一种新的训练条件分布问题的方法,利用 Embedding-SGD 算法,解决了样本量小的问题,结果在合成数据及真实数据上都取得了显著的性能提升。