- 在 Wasserstein 距离中的最优实例私有密度估计
使用 Wasserstein 距离对分布进行差分私密密度估计,并设计了可以适应简单实例的实例最优算法,对于特殊情况下的离散分布,结果还导致了 TV 距离下的实例最优私密学习。
- 参数超曲面的注入流
支持且高效的密度估计模型,基于正则流模型的参数曲面密度计算方法,应用于奥卡姆因子回归模型和变分推断方法。
- MEMO-QCD:量子电路设计的量子密度估计与模因优化
本文提出了一种基于量子启发式算法(DMKDE)和基于群体智能算法的电路优化策略的高效量子电路设计方法,通过量子特征映射将训练数据集映射到由密度矩阵表示的量子态,以估计新样本的密度。所提出的策略通过浅层量子电路准确逼近高斯核密度估计方法,表明 - ContextFlow++: 混合变量上下文编码的通用 - 专用流式生成模型
使用上下文编码器的混合变量结构,我们提出了 ContextFlow++ 方法,通过加法调节来解耦通用知识模型和特定知识模型,并支持离散上下文变量。实验证明,ContextFlow++ 具有更快、更稳定的训练速度,并实现更高的性能指标。
- CVPR在 SO (3) 流形的乘积空间上进行正则流用于概率人体姿势建模
在旋转表示中,标准化流已经证明了它们在欧几里得空间中密度估计的功效,但其在各个领域如机器人技术或人体姿势建模中的应用仍未充分探索。我们引入了 HuProSO3,一个在 SO (3) 流形的高维乘积空间上运行的标准化流模型,用于对具有三个自由 - 基于样条拟合的经验密度估计及其在 Copulas 聚类建模中的应用
使用样条准插值方法对密度进行单变量逼近,并将其应用于聚类建模;通过构建适当的多变量分布来实现聚类分区模型,并使用 copula 函数来捕捉数据特征间的依赖关系,提出了有限混合 copula 模型;在人工数据集和实际数据集上验证了提出的算法。
- 高维度探索中的聚类和预训练表示方法
该论文采用密度估计问题的视角,研究在强化学习中基于表示的探索方法,提出了在 3D 环境中使用聚类表示进行探索的有效性,并探索了随机表示和预训练 DINO 表示进行聚类计数状态的方法,最终在 VizDoom 和 Habitat 环境中证明了该 - 通过方差减少的草图进行非参数估计
通过引入一种名为 Variance-Reduced Sketching (VRS) 的新框架,我们特别设计了一种在高维度中估计密度函数和非参数回归函数的方法,其降低了 “维数灾难” 的影响,并通过一系列模拟实验和实际数据应用展示了其在密度估 - 基于密度估计的正负样本学习的文档集扩展方法
该论文提出了一种基于密度估计的新颖 PU 学习框架 puDE,可以应对文档集扩展任务中的未知类别先验、不平衡数据等问题,通过一系列真实世界数据集的实验表明,该方法是 DSE 任务的更好选择。
- 众筹计数的课程 -- 值得吗?
本研究通过 112 个实验证明,课程学习(Curriculum Learning)在使用密度估计方法进行人群计数时,可提高模型学习性能和收敛时间。
- Transformer 神经自回归流
使用 Transformer 神经自回归流(T-NAFs)通过注意力掩码将每个随机变量的维度视为单独的输入令牌,取得了 UCI 基准数据集上与 NAFs 和 B-NAFs 相媲美甚至更好的实验结果,同时使用数量级较少的参数而无需合成多个流。
- InvertibleNetworks.jl:可扩展的标准化流的 Julia 软件包
InvertibleNetworks.jl 是一个 Julia 软件包,专为实现在高维分布中进行密度估计和抽样的可扩展的可逆流方法而设计。该软件包通过利用可逆流的固有可逆性,在反向传播期间显著降低了内存需求,相较于依赖于自动微分框架的现有的 - 学习自适应噪声的扩散模型
通过引入多元学习自适应噪声 (MuLAN),这篇研究提出了一种新的扩散过程,它在图像中以不同的速率应用高斯噪声,以实现贝叶斯推断,获得更紧的边际似然下界,并在 CIFAR-10 和 ImageNet 数据集上实现了密度估计的最新技术。
- 无标签多元时间序列异常检测
MTGFlow 是一种使用动态图和实体感知的归一化流的多元时间序列异常检测的无监督方法,通过学习实体之间的相互依赖和演变关系来捕捉复杂和准确的分布模式,并利用实体感知的归一化流来表示每个实体作为一个参数化的正态分布,通过对具有类似特征的实体 - 用 Wasserstein 自编码器进行并发密度估计:一些统计学见解
通过神经网络引发的转换,我们从统计的角度提出了对 WAEs 机制的理论理解,并在存在敌对情况下分析了这些随机误差的传播,探索了重建分布的大样本特性和 WAE 模型的弹性。
- 异常检测的设备特征
本文提出了一种用于检测由正常元素组合而成的样本中异常的集合特征。通过使用简单的密度估计方法,我们计算每个样本的异常分数,进而克服了先前图像级逻辑异常检测和序列级时间序列异常检测方法的限制。
- arfpy: 一种用于密度估计和生成建模的 Python 包,基于对抗性随机森林
介绍了 $ extit {arfpy}$,它是 Adversarial Random Forests (ARF) (Watson et al., 2023) 的 Python 实现,用于合成类似给定数据的新数据,供科学领域的用户轻松生成数据 - 机器人学习中用于外部分布检测的拓扑匹配归一化流
为了在现实世界中实现可靠的自主机器人部署,对 Out-of-Distribution (OOD) 检测能力的需求很高。基于密度估计和归一化流的 OOD 检测是一种有效方法,但之前的工作尝试使用简单的基础分布拓扑地匹配复杂的目标分布,导致了不 - 图像建模的 MixerFlow
通过使用双射变换将复杂密度转化为简单密度的统计模型,我们提出了一种名为 MixerFlow 的新型架构,基于 MLP-Mixer 架构,进一步统一生成和判别建模架构。MixerFlow 提供了一种用于流模型的有效权重共享机制,并在固定的计算 - 一般性 Softmax 门控多项式逻辑混合专家的理论
通过建立 softmax gating multinomial logistic MoE 模型的密度估计和参数估计的收敛性速率,我们揭示了 softmax gating 和 expert 函数之间的相互作用通过偏微分方程导致了多项式速率变慢