关键词high dimensional problems
搜索结果 - 6
- 分散合并马尔可夫链蒙特卡洛扩散生成模型
使用扩散生成建模方法拟合子后验分布的密度近似,以更高效地解决合并问题,并且在高维问题上比现有的密度估计方法性能更好。
- 具有软不等式约束和单调性约束的高斯过程回归
引入了一个新的高斯过程模型,该模型通过量子启发的哈密顿蒙特卡罗方法来强制约束物理条件,从而提高准确性并减小方差。实验证明,在多个数据集上,该方法加速采样过程并保持准确性,适用于高维问题。
- 高维度分布式梯度下降与任意数量的拜占庭攻击者
我们设计了一个适用于高维问题的新方法,可以在任意数量的拜占庭攻击者下进行高效分布式学习,并采用半验证的均值估计方法实现,通过从工作机上传的梯度向量估计均值值的分量以及通过辅助数据集估计子空间内的分量,最终以我们的新方法作为分布式学习聚合器。 - 通过随机神经网络实现最优停止策略
该研究提出了使用机器学习方法来近似解决最优停止问题的新方法,其中我们使用神经网络来逼近继续价值。这些方法适用于高维问题,可以使用简单的线性回归来优化,已获得理论保证。其中,我们的随机强化学习方法和随机循环神经网络方法在 Markovian - 虫洞哈密顿蒙特卡罗
本文提出了一种基于马尔科夫蒙特卡罗的贝叶斯推理方法,该方法可有效从多峰分布中采样,尤其适用于高维度问题和孤立模式的情况,并利用残留能量函数来探索新的模式。
- MMSE 协方差估计的收缩算法
该论文提出了针对高维问题的协方差估计收缩方法,包括 RBLW 估计器和 OAS 估计器,两者使用简单且易于实现,数值模拟表明 OAS 可以胜过 RBLW,尤其是在 n 远小于 p 时,同时论文也将这些技术应用于自适应波束成形。