high-dimensional data | BriefGPT

关键词high-dimensional data

搜索结果 - 123

利用空间嵌入统计进行新兴特性映射：EMUSES
EMUSES 利用高维数据进行空间嵌入统计分析，揭示了潜在结构，并检测和解释新出现的性质，为研究人员提供了一个强大的工具来理解复杂现象的多因素起源。
PDF14 days ago
基于谱神经网络的自动输入特征相关性
提出了一种使用谱重参数化来估计深度神经网络输入组件相对重要性的新方法，通过挑战合成和真实数据表明其有效性。
PDFa month ago
学习潜在层次模型中的离散概念
从高维数据（例如图像）中学习概念对于构建与人工智能模型相符且可解释的机器学习模型具有潜力。本研究通过将概念形式化为离散潜在因果变量，并使用嵌入在高维数据中的概念的层次因果模型来提供理论洞见与条件，以促进从无监督数据中学习这些概念的可行性。通
PDFa month ago
上下文对比的异常检测
通过在训练时将正常数据设置为不同的上下文，而又保留其正常特性，我们提出了 Con2 方法，它使我们能够从不同的角度观察数据，从而使未见过的正常数据符合学到的上下文表示，而异常数据则无法做到，从而无需在训练过程中了解异常情况就能检测到异常数据
PDFa month ago
高维多重插补（HDMI）用于部分观察到的混杂变量，包括自然语言处理提取的辅助协变量
在部分观察到的混杂因素依赖缺失数据的情况下，通过结构化和自然语言处理 (NLP) 衍生的辅助协变量 (AC) 来开发和比较高维度的多重插补 (MI) 方法，将辅助协变量引入 MI 模型中，可能降低偏差。
PDF2 months ago
ST-MambaSync：高陡交通预测的 Mamba 结构与时空变换器融合
这项研究介绍了 ST-MambaSync，它是一个创新的框架，将一个简化的状态空间层与一个流线型的注意力层集成在一起，在处理高维数据（如空间 - 时间数据集）时，它在空间 - 时间预测任务中实现了竞争性的准确率。我们深入研究了注意机制与 M
PDF2 months ago
深度网络如何学习稀疏和分层数据：稀疏随机层次模型
通过引入数据的稀疏性到生成式分层模型中，我们展示了学习到的抽象表达和空间变换的不变性之间的强相关性，并解释了卷积神经网络在 Sparse Random Hierarchy Model (SRHM) 中的样本复杂性如何依赖于任务的稀疏性和分层
PDF3 months ago
基于正规化流的互信息估计
通过引入基于正规化流的估计器，我们提出了一种新的互信息（MI）估计方法，该估计器将原始数据映射到具有已知闭式表达式的目标分布中。我们证明了我们的方法可以为原始数据提供 MI 估计。通过高维数据的实验证明了所提估计器的优势。
PDF4 months ago
通过深度学习推进增材制造：现有进展与未来挑战的综述
综述了近期对应用深度学习改进增材制造过程的研究，总结了其贡献和局限性，并指出了该领域中当前的挑战和前景，包括广泛几何类型的深度学习模型泛化、管理增材制造数据和模型的不确定性、利用生成模型克服有限和噪声的增材制造数据问题，以及揭示深度学习在增
PDF4 months ago
二次型 Littlewood-Offord 问题的弹性
我们研究高维数据的统计弹性，结果提供敌对噪声对二次 Radamecher 混沌的反集中性质的影响估计量，其中 M 是一个固定的（高维）矩阵，ξ 是一个符合射线混合向量。具体而言，我们研究了 ξ 可以承受多少敌对符号翻转而不会 “膨胀”σ 为
PDF5 months ago
混合模型：一个用于基于模型的聚类的 Python 一站式库，使用各种混合模型
《Mixture-Models》是一个开源的 Python 库，用于拟合高斯混合模型及其变种，如 Sparimonious GMM、因子分析混合模型、MClust 模型、学生 t 分布混合模型等。它使用各种一阶 / 二阶优化算法，如梯度下降
PDF5 months ago
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，
PDF5 months ago
一个判别性贝叶斯高斯过程潜变量模型用于高维数据
我们提出了一种新的非参数建模方法 LDGD，利用高斯过程（GP）将高维数据映射到潜在的低维流形，通过推断潜变量来有效捕捉数据中的不确定性，提高了模型的预测准确性和鲁棒性。LDGD 不仅能准确地推断流形，而且在预测标签方面的准确性也超过了现有
PDF5 months ago
加速双曲 t-SNE
本研究使用极坐标四叉树构建超几何嵌入的加速结构，相比现有方法在更短的时间内计算出类似质量的嵌入结果。
PDF5 months ago
AFS-BM：通过二进制掩码实现自适应特征选择提升模型性能
我们研究了机器学习中一个非常关键的问题，即特征选择，针对该问题存在的挑战，我们提出了一种叫做 “自适应特征选择与二进制掩蔽” 的方法，该方法通过联合优化实现了同时进行特征选择和模型训练，并能够在训练过程中动态地适应特征的重要性变化，从而显著
PDF5 months ago
提升因果增加模型
我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型 (SEMs)，重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数，并建立了一些必要条件，以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升
PDF6 months ago
使用深度神经网络的多变量回归模型的最小距离估计器
我们提出了一种基于深度神经网络的最小距离估计器 (DNN-LD)，用于解决多元回归问题，并考虑高维数据中的变量选择问题，通过在 DNN 结构的权重参数上应用 (自适应) 分组 Lasso 惩罚，同时实现变量选择和模型估计。
PDF6 months ago
从距离集中和流形效应解释维数灾难
当维度增加时，数据的特征和可解释性变得更加抽象和复杂。在高维空间中，低维空间中的常见模式和关系可能不再成立，这导致回归、分类或聚类模型或算法的性能下降，这被称为维数灾难。本文总结了操作高维数据时面临的五个挑战，并通过理论和实证分析探讨了维数
PDF6 months ago
基于极小后悔的抗干扰决策树的协同进化算法
该论文提出了一种新颖的协同进化算法（CoEvoRDT），用于构建能够处理带有噪声高维数据的对抗性决策树模型，该方法在 20 个常见数据集上的实验证明了其优越性能。
PDF7 months ago
AAAI多粒度因果结构学习
揭示、建模和理解自然现象的因果机制是科学研究中的基本任务，此文讨论一种名为 MgCSL（多粒度因果结构学习）的新方法，通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象，使用多粒度变量作为输入训练多层感知机，从而深入研究变
PDF7 months ago