关键词density-ratio estimation
搜索结果 - 5
- $\alpha$- 散度损失函数用于神经密度比估计
最近,神经网络在机器学习中的基础技术密度比估计(DRE)中取得了最先进的结果。然而,现有方法由于 DRE 的损失函数引起了优化问题:KL 散度具有大样本要求,训练损失梯度消失,以及损失函数的偏向梯度。因此,本文提出了一种提供简洁实现和稳定优 - 密度比估计的批次贝叶斯优化
本文介绍了一种基于密度比估计的贝叶斯优化方法,能够使用概率二元分类器代替函数上的先验,从而增强可扩展性与性能保证,并将问题重新形式化为近似贝叶斯推理,也能扩展至批优化问题中。该方法在一些实验中与其他基线方法进行了评估。
- MBORE: 多目标贝叶斯优化与密度比估计
这篇论文针对多目标优化问题,提出了一种名为 MBORE 的方法,它将 BORE 扩展到了多目标问题,并在一系列合成和真实世界基准测试中与 BO 进行了比较。结果表明,在许多问题上,MBORE 的表现要好于或优于 BO,在高维度和真实世界问题 - BORE: 基于密度比率估计的贝叶斯优化
将 expected improvement 的计算转化为二分类问题,以避免分析可观测性和提高 Bayesian optimization 的效率和适用性。
- 望远镜密度比估计
提出了一种新的框架:Telescoping Density-Ratio Estimation (TRE),可估算高维空间中高度不同密度之间的密度比,并在互信息估算,表示学习和基于能量的建模方面取得了显着的改进。