- 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。
- $ρ$-Diffusion:一种基于扩散的计算物理密度估计框架
提出了一种新方法 —— 密度扩散($
ho$-Diffusion),该方法可以用于物理学中的多维密度估计,并能通过任意数量的感兴趣的物理参数来进行条件建模。
- 从稀疏到稠密:GPT-4 基于密度链的摘要生成
通过密度链(CoD)提示,GPT-4 生成更多抽象、融合度更高、少有引导偏见的摘要,人类更喜欢这些摘要,表明了信息量和可读性之间的权衡。
- 有限权重神经网络的逼近的测度论结果
本文研究带有有限方向和阈值变化的单隐层神经网络的逼近性质,并且获得衡量该网络在连续函数空间中密度的充分必要条件。此外,我们针对特定构造的激活函数和固定数量的神经元证明了网络密度的结果。
- 稠密子图问题及其变体的综述
本文对最密子图问题进行了全面的调查和概述,涵盖了多种变体和应用,并重点介绍了最近的成果和开放问题。
- 基于 Granular-Ball 的高效自适应聚类算法 GBC
提出了一种新的聚类方法,名为自适应基于颗粒 - 球分化的聚类方法,能够高效识别形状未知、复杂的聚类,同时提供了一种有效的自适应方法来描述世界,并促进了自适应、高效的 AI 技术及密度计算模型的研究和发展。
- 通过去量化学习离散分布
本文提出了一种通用的去量化框架,其中包含了现有方法的一些特殊情况,通过添加加性噪声来实现深度学习中的分布建模。作者还引入了两种新的去量化目标:重要性加权去量化和 Rényi 去量化,以及一种更灵活的去量化分布 —— 自回归去量化(ARD)。 - 密度自适应的深度度量学习
本论文提出将数据的密度测量集成到 DML 的优化框架中,以在端到端的训练过程中自适应平衡类间相似性和类内变异性,通过在三种嵌入方式上增加密度适应性,不断地在三个公共数据集上展示清晰的改善。
- 高密度子图发现的高效算法
本文提出了一种新的解决模式来找到具有最高密度的图 G 的亚图 D,并通过 k-core 的方法开发了一些有效的解决方案来寻找包括基于团和一般模式定义密度的各种图的最密亚图,实验结果表明该算法比现有方法快四个数量级。
- MMADBSCAN: 自适应基于密度的空间聚类应用程序,用于识别具有不同密度的聚类
提出一种自适应 DBSCAN 算法,用于在密度变化的情况下识别数据聚类,并发挥其噪声消除的能力。
- CVPR基于切换卷积神经网络的人群计数
本文提出了一种新型的人群计数模型,使用带有密度的人群场景提高预测准确性和定位精度的切换卷积神经网络,并通过对所有主要人群计数数据集的广泛实验验证了其比现有最先进的方法具有更好的表现。
- CVPR一种通用且自适应的鲁棒性损失函数
本文提出了一种连续参数化的健壮损失函数,通过将健壮性作为参数,可以泛化到多种常见的概率分布并基于该损失函数训练神经网络从而应用于无监督学习等任务。
- 关于 Voronoi 元胞的测量
研究从密度为 f 在 R^d 中抽取的 n 个独立随机点所定义的随机 Voronoi 分割的典型单元的度量。证明了以点 x∈R^d 的典型细胞的概率测度的渐近分布与点 x 和密度 f 无关。确定了渐近分布的所有矩,并表明随着 d 的增大,分 - CSP 的次指数近似算法:从密集到几乎稀疏
本文从大规模消耗能源问题出发,对 mAP 米级别的近似精度提出解决方案,同时研究了深度的语义信息和有限的上下文信息如何影响计算性能。
- 关于大 k 可满足性猜想的证明
我们利用统计物理学中的一步副本对称性预测,为所有的 k≥k_0,建立了随机 k-SAT 的可满足性阈值,给出满足阈值和不满足阈值的限制密度的显式计算公式,并用一种新的分析方法对随机图进行矩计算,将一个高维的优化问题映射到了一个更易处理的分析 - 有容量限制的最优输运的洞见
本文针对一个变式的最优输运问题,研究了给定密度函数下,所有边际固定联合测度中的最优测度问题,并发现了其的对称性,得出了二维以上的首个明确例子,在已知可行域的极端点和基于构建可行扰动的新方法上,进一步证明了其存在唯一的解决方案。
- 基于 K-modes 算法的聚类
通过密度和簇分配的概念,提出了一种 K-modes 目标函数算法,能够有效地聚类数据并找到有效的模式,相比于 K-medoids 和 mean-shift 更快且更加鲁棒。
- 球码的球填充界限
该论文通过简单的几何论证改进了 Kabatiansky 和 Levenshtein 于 1978 年提出的上界,同时将其扩展到超空间包装,提高了先前已知界限。此外,还证明了 Cohn-Elkies 线性规划边界总是至少与 Kabatians - ICML随机 k 近邻图中的最短路径距离
研究使用密度 p 在 R^d 上按随机方式绘制的 n 个数据点构建的加权或未加权 k 最近邻图的最短路径距离在样本大小趋近于无穷大时的收敛性,证明了对于未加权 k 最近邻图,此距离会收敛到底层空间上的不良距离函数,其性质对机器学习不利。同时 - 步行行为对人群动力学的影响:以行人社交群体为例
研究人群行为发现,人群中约 70%的人实际上是以团体形式行动,他们的交互行为会对人群动力学产生影响。在低密度下,团体成员倾向于并排行走,而在人群密度增加时,他们将行走形式转变为 V 形模式,这种模式可以通过以社会交流为基础的模型进行描述。团