- 扩散模型辅助监督学习用于密度估计的生成模型
基于得分扩散模型的监督式学习框架用于训练生成模型,并通过生成标记数据解决了无监督训练中的问题,提高了采样效率和神经网络训练的时间节省。
- 通过使用高斯混合模型和遮蔽自回归流进行概率分类
使用密度估计方法的分类器通过使用高斯混合模型和掩码自回归流等方法来建模数据的类别似然度,优于仅使用单个高斯分布的简单分类器。这项研究为提出其他基于联合密度估计的概率分类器打开了研究之门。
- 探索使用概率流动 ODE 的密度估计的对抗鲁棒性
研究通过概率流神经常微分方程模型对梯度似然最大化攻击的密度估计鲁棒性以及与样本复杂度的关系,介绍和评估六种梯度似然最大化攻击,实验结果表明使用概率流神经常微分方程模型的密度估计对高复杂度和高似然攻击是鲁棒的,有时敌对样本具有语义上的意义,符 - AnoDODE: 扩散 ODE 的异常检测
基于扩散 ODE 的多尺度医学图像特征密度估计的异常检测方法,通过负对数似然度量特征的异常得分,并提供图像和像素级别的可解释性,其在 BraTS2021 医学数据集上的实验证实了方法的有效性和鲁棒性。
- 基于统计的 Top-K 稀疏 Softmax 门控混合专家
通过定义损失函数和构建高斯混合专家模型,我们从密度和参数估计的角度对顶部 K 个稀疏 Softmax 门控函数进行理论研究,发现要保证密度估计的收敛,所选取的门控函数所包含的专家数量至少必须超过与真实参数相关的某些 Voronoi 单元总基 - TabADM:无监督表格异常检测与扩散模型
通过利用扩散算法的概率模型来进行无监督异常检测,该方法能够有效地学习正常样本的密度,并且在实际数据中展示了优越的检测能力。
- 多模态数据集的数值数据填补:一种基于概率最近邻核密度的方法
提出了一种数据填充算法 $k$NN$ imes$KDE:它将最近邻估计 ($k$NN) 和高斯核密度估计 (KDE) 相结合,可应对复杂原始数据结构,产生更低的数据填充误差,并提供更高似然的概率估计。
- ICML密度估计的数据结构
本文研究了统计 / 计算权衡的密度估计问题,提出了一种对给定分布数据进行处理的方法,并证明了该方法在时间和样本数量方面都具有非常良好的性能。
- 高维度和置换不变异常检测
本文提出了一种基于扩散模型的置换不变密度估计器,特别是为了应对具有可变长度输入的物理数据,这种方法在感知不变性和可变长度输入方面具有优势,在异常探测领域具有良好的效果。
- 通过并行得分匹配实现扩散模型的更快训练和改进密度估计
本文提出一种基于独立神经网络的时间划分模型来快速提高 DPMs 训练速度和提升密度估计性能。
- 神经 ODE 流的增强结构改进分布建模
本文提出了 AFFJORD,一种基于神经 ODE 的归一化流,通过定义保留空间拓扑特殊增广变换动力学,增强了 FFJORD 的表示能力,并通过广义连锁法将增广形式的 Jacobian 行列式推广到连续情况下,给出了一个神经 ODE 变换 J - 方差稳定密度估计的异常检测
通过将正常样本的密度函数假设为在某些紧凑区域内是均匀的,减小方差放宽了对于特定数据的超参数调节要求,提出了基于改进密度估计的异常检测方案,并设计了一个方差稳定的密度估计问题,然后使用自回归模型学习了方差稳定分布,最后在 52 个数据集的广泛 - 自适应流抽样平衡训练能量函数模型
本研究提出一种新的最大似然训练算法,使用正规化流(NF)来提高能量基模型(EBMs)的采样效率及精度。
- 量子核混合用于概率深度学习
该研究通过量子密度矩阵的数学形式导出了一种新颖的概率深度学习方法,即量子核混合模型,旨在建立不同 iable 的模型进行密度估计、推理、采样,实现端到端深度神经模型集成,其具有广泛的应用价值,特别是在密度估计、判别学习和生成建模中展现出了显 - 特征空间中的混合能量模型用于超出分布的检测
本论文介绍了 HEAT 模型,它使用混合能量模型在预训练的主干特征空间中估计 ID 样本密度感知 OOD。该模型在 CIFAR-10,CIFAR-100 和 Imagenet 基准上取得了全新的最佳 OOD 检测结果。
- IJCAI通过密度估计改进异构模型重用
本文探讨了多方学习,旨在利用不同参与者的私有数据学习模型。作者提出通过估计本地数据密度并设计辅助模型来重复使用本地分类器,以解决不同参与方之间的潜在样本选择偏差问题。作者还提出了多方交叉熵损失,以解决一些本地模型训练不足的情况。实验结果表明 - 平方神经族:一种新的可计算密度模型类
提出一种新的概率分布类别,称为平方神经族 (SNEFY),通过计算神经网络的 2 - 范数来形成,并在基础度量方面进行归一化。 SNEFY 比传统指数家族更灵活,具有可追溯的边缘分布,能够广泛应用于密度估计和条件密度估计任务。
- Bounded KRnet 及其在密度估计和逼近中的应用
本文介绍一种在有界域上应用于密度估计或求解偏微分方程的可逆映射 B-KRnet,并将其与 KRnet 进行比较;通过使用 B-KRnet 作为传输映射,我们得到与前导(均匀)分布对应的明确概率密度函数 (PDF) 模型,而应用该映射于数据时 - ACLDEnsity:利用密度估计的开放领域对话评估指标
本文提出了一种名为 DEnsity 的评估指标,该指标通过利用神经分类器导出的特征空间上的密度估计来评估响应,从而使得其相关性比现有指标更好,并通过对特征空间的压缩利用对比学习来进一步提高性能。
- ICML一种耦合流方法的模仿学习
本文介绍了利用基于正态流的模型对状态分布进行估计的应用,该算法针对单个专家轨迹,在许多基准任务上都取得了最先进的表现,并自然地扩展到各种其他设置,包括子采样和仅状态制度。