关键词distribution estimation
搜索结果 - 14
- 揭示具有无分类器指导的条件扩散模型：一个尖锐的统计理论
本文通过提出一种锐利的统计理论，通过采用条件扩散模型进行分布估计，以实现对数据分布平滑性的自适应样本复杂度界限，并与极小 max 求解下界相匹配。通过对条件分数函数的近似结果揭示了理论的关键发展，该结果依赖于一种新型扩散泰勒逼近技术。此外， - PQMass：使用概率质量估计评估生成模型质量
我们提出了一种综合的基于样本的方法来评估生成模型的质量。该方法能够估计从同一分布中抽取两组样本的概率，从而为评估单个生成模型或比较在相同数据集上训练的多个竞争模型的性能提供了统计学上严谨的方法。该方法能够直接在高维数据上进行操作，无需降维， - 概率积分电路
连续潜变量是许多生成模型的关键部分，我们通过引入概率积分电路（PICs）将概率电路（PCs）扩展为含有连续潜变量的符号计算图，实现了在简单情况下完全可计算的 PICs，并且通过数值积分可用大型 PCs 对 PICs 进行良好逼近，从而在几个 - 基于平方的减法混合模型：表征和学习
混合模型通过减去概率质量或密度可以有效地减少建模复杂分布所需的组件数量，并在保证编码非负函数的同时学习这种减法混合技术。我们在概率电路的框架中调查了如何学习和推断深度减法混合模型，并通过将它们平方来实现。理论上验证了允许减法操作的平方电路类 - 深度神经网络的核均衡方程
在本文中，我们研究了深度神经网络对数据集分布进行估计的问题，并发现估计结果的不稳定性取决于数据密度和训练时长，通过推导出的核平衡方程，我们得到了解释不稳定性和尺度机制的现象学描述。该网络以数据集的局部平均作为预测，并根据方程确定平均的尺度， - AAAI通过分布估计提高少样本文本分类
本文提出了两种简单而有效的方法通过无标签查询样本来估计新颖类别的分布，从而避免了负面转移的问题。经过多个数据集的实验，该方法明显优于现有的先进方法。
- 对象姿态估计的学习方向分布
本研究提出了两种学习方法来估计物体方向的分布，考虑到姿态估计的不准确性和物体的对称性，这些方法能够增强现有的位姿估计器，并在未知对称性的物体上表现出更好的性能。
- 批量鲁棒学习的通用方法
研究了在数据存在噪声和对抗性的情况下如何进行鲁棒学习，同时提出了有效的学习算法来解决分段区间分类和分布估计的问题。
- ICML局部隐私分布估计和重要元素中的通信复杂度
本文研究在保障隐私和通讯限制下分布估计和重头分估计的问题，提出了使用局部差分隐私的样本最优方案，并表明 Hadamard 反应方案可以用于重头分估计。
- 生成对抗网络学习分布的效果
本论文研究了生成性对抗网络（GANs）的收敛速率和损失函数，探讨了在不同参数和非参数条件下的目标分布，都能通过 GANs 进行逼近， 建立了基于生成器和判别器的正则化理论，提出了生成器 - 判别器对正则化的新概念，为分布估计提供了有效的统计 - 结构不可知建模：对因果图的对抗学习
本研究提出了一种新的因果发现方法 Structural Agnostic Modeling（SAM），该方法结合了条件独立性和分布不对称性，并旨在从观察数据中找到潜在的因果结构。研究使用神经网络作为不同参与者之间的游戏，并通过优化图结构和参 - NIPS基于 Alpha 分歧 Dropout 推断的贝叶斯策略梯度
本文提出一种方法，通过贝叶斯神经网络拟合值函数来估算分布，使用蒙特卡洛后验均值作为代替确定性网络的价值函数分布，提高了在连续控制 MuJoCo 模拟中使用策略梯度方法的稳定性和性能。
- 均值和协方差的不可知估计
本文提出了多项式时间的算法，用于估计带有无法识别噪声的分布的均值和协方差，并证明了其信息理论下界的误差担保，同时得到了奇异值分解的不可知算法。
- ICML局部隐私条件下的离散分布估计
本文探讨了在隐私保护下进行离散分布估计的机制，提出了一种新的哈希 K-ary 随机响应（KRR）机制，并证明其与已有机制相比，在所有隐私级别上都可以实现更优的效果。同时，本文还探究了 KRR 和已有的 RAPPOR 机制在不同隐私保护级别下