- 随机矩阵理论改进的对称正定矩阵的弗雷歇均值
使用随机矩阵理论的方法估计协方差矩阵中的 Fréchet 均值,在处理低样本支持和大量需要平均的矩阵时表现优于现有方法。
- MAP-Former:多智能体配对高斯联合预测
通过预测交通代理对的协方差矩阵,提出了一种 “场景中心” 的运动预测新方法,为基于统计方法的风险评估奠定基础。
- 高效分数匹配学习通用的高斯混合模型
我们研究了学习混合高斯问题,通过扩大已有的扩散模型方法,提出了一种令人满意的采样算法。
- 超越 PCA:一种概率 Gram-Schmidt 方法进行特征提取
使用概率格拉姆 - 施密特(PGS)正交化过程来探测和映射冗余维度,并通过该过程结合捕捉数据中非线性依赖的函数族构建一系列协方差矩阵,从而提取线性特征并移除非线性冗余。
- 基于黎曼流形的手势解码表面肌电信号拓扑学
通过分析上肢的非侵入性表面肌电图(sEMG)信号,我们展示了一种简单的技术,可以识别不同手势并且解决了信号变异性的问题,并且通过在 Riemann 流形上使用协方差矩阵分析空间模式,成功地模拟了分布在各个肌肉之间的复杂相互作用和评估 sEM - 一个高效的聚类多任务压缩感知算法
本文提出了一种新的算法,通过避免显式计算协方差矩阵结合蒙特卡洛抽样和迭代线性求解器,从而大大加速模型推断。与现有基准相比,实验表明我们的算法在速度上可快数千倍,内存利用率提升一个数量级。
- 对称正定矩阵流形上的回归实现多可靠度协方差估计
我们介绍了一种作为对对称正定矩阵流形上的回归问题的解的协方差矩阵的多保真度估计器。该估计器由于构造方式是正定的,通过最小化得到它的马哈拉诺比斯距离具有可实用的计算性质。我们证明了我们的流形回归多保真度 (MRMF) 协方差估计器是在特定误差 - 快速经验场景
从大型高维面板数据中提取代表性情景,使用协方差矩阵进行数据建模,为投资优化。
- 使用 Pantheon 编译的神经网络重建宇宙学
通过使用人工神经网络在各种数据集中,包括相关的数据集,重建哈勃图。我们使用 ReFANN 扩展了这个网络,以包括非高斯数据点,以及带有协方差矩阵的数据集,与现有的基于高斯过程的结果进行对比,并进行零测试以验证宇宙学的一致模型的有效性。
- ECCV少样本分割的双重变形协方差矩阵聚合
该论文提出了使用可学习协方差矩阵和可变形 4D Transformer 来解决在有限标注数据下准确测量支持和查询样本之间语义对应关系的问题,在公开基准测试中实现了新的最佳效果及较快的收敛速度。
- 用 Wasserstein 距离估计切空间和维数
使用本地 PCA 算法估计嵌入的欧几里得空间中光滑紧致亚流形的维数和正切空间需要的样本点数具有数学严格的上界,该估计考虑了非均匀数据分布和可能跨越亚流形变化的噪声,并允许在多个点上同时进行估计。
- 纹理感知深度特征用于伪装对象检测
本文介绍一种用于伪装物体检测的深度卷积神经网络,通过使用多个纹理感知优化模块来放大伪装物体和背景之间的微小纹理差异,其中纹理感知优化模块计算特征响应的协方差矩阵来提取纹理信息,采用亲和力损失和边缘一致性损失来分离伪装物体和背景之间的纹理,并 - 深度神经网络中出现的随机矩阵。高斯情况
本研究针对出现在深度神经网络分析中的随机矩阵乘积奇异值分布进行了研究,其中,数据矩阵的总体协方差矩阵是随机的,基于随机矩阵理论和标准技术,分析了数据矩阵的非高斯分布并阐述其在分析宏观普适性方面的潜在应用。
- 放松独立条件的 Marchenko-Pastur 定理
本文介绍了两个新的场景中的 $ p imes p $ 样本协方差矩阵的特征值的 Marchenko-Pastur 定理。 我们的主要技术工具是关于块独立坐标的随机变量的二次形式和随机张量的新的集中不等式。
- 多项概率模型的对称先验
本研究提出了一种新的识别策略和相关的先验分布,使得贝叶斯多项 probit 模型的先验分布对结果类别重标记具有对称性,并借此实现了一个高效的 Gibbs 算法,无需采用 Metropolis-Hastings 更新即可采样秩缺失的协方差矩阵 - SPD 神经网络的黎曼批归一化
本文介绍了一种基于 Riemann 流形的批量归一化算法,利用 Riemann 流形上的几何操作和结构化矩阵变换进行设计,提出了一种新的流形约束梯度下降算法,在三个不同的数据类型上进行实验证明其可以提高分类性能和鲁棒性。
- SPD 矩阵圆锥流形上的平行输运用于领域自适应
本文提出一种基于协方差矩阵和对称正定矩阵的锥形流形平行传输的领域自适用方法,并使用黎曼几何进行了严格分析,同时在模拟和真实数据上进行了实验,证明了该方法的理论保证和实际效果。
- 不同维度正定矩阵间的几何距离
本文通过在正定对称矩阵或厄米正定矩阵的构成的空间中定义 Riemannian 距离,实现了计算矩阵间几何距离的任务,同时也介绍了如何利用这种方法计算不同维度之间的矩阵之间的距离。
- 基于流形度量学习的领域自适应统一框架
通过利用统计流形的曲率黎曼几何,我们提出了一种新的域自适应框架,该框架可以整合标记源域和未标记目标域之间的几何和统计差异,从而实现源到目标的转移。
- Sherman-Morrison-Woodbury 定理在秩扩增矩阵中的应用及其中心化
研究的是形如 A+(V1+W1) G (V2+W2)∗的矩阵,其中 A 是奇异的,G 是非奇异的,W1 和 W2 是正交于 A 的列并具有相同的列空间,提供了一个显式表达式用于求逆,其中 W_*W 具有 rank k 且应用于关于均值的协方