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。