关键词integral probability metric
搜索结果 - 6
- 基于信息论的超出分布通用性的框架
在机器学习中，我们研究了离群分布的泛化问题，并提出了一个提供信息论泛化边界的通用框架，该框架自由地插值在积分概率度量和 f - 分布之间，并且自然地恢复了一些已知结果（包括 Wasserstein 和 KL 边界），同时产生了新的泛化边界。 - ICML利用积分概率度量进行协变量平衡的因果推断
本文提出了一种使用积分概率度量进行协变量平衡的加权方法，并证明该方法可以在不正确指定模型的情况下保持一致性，同时在有限样本情况下的表现也比现有方法更好。
- ICML在 $f$-GANs 和 Wasserstein GANs 之间架起桥梁
本文提出了一种称为 KL-Wasserstein GAN 的新的生成对抗网络目标函数，这种方法基于 $f$-GANs 和 Wasserstein GANs 的批评家目标的推广，取得了在 CIFAR10 图像生成方面的新的最优成果。
- ICML基于观测的可证明高效仿真学习
设计了一种新的模型无关算法用于能够从观察中学习的模仿学习，可以在大规模的马尔可夫决策过程中学习得到一种近似最优的策略，具有多项式样的效率。
- NIPS神经网络距离的极小极大估计
本文研究了基于概率测度的积分距离度量学习算法在神经网络距离度量的极小值估计问题。通过样本推算，我们得到了对神经网络距离度量的估计误差的极小值下限和比现有估计误差上限更紧的上界，并证明了在实践中经验神经网络距离度量是真实神经网络距离度量的有效 - Sobolev GAN
本文提出了一个新的在分布之间比较均值差异的积分概率度量（Integral Probability Metric，简称 IPM）：Sobolev IPM。Sobolev IPM 可以被看作是高维分布的一维 Von-Mises Cramér 统