关键词kernel mean embeddings
搜索结果 - 10
- 高维度中的多个均值向量估计
基于独立样本,我们尝试估计各种概率分布的共同空间上的多维均值。我们的方法通过凸组合样本的经验均值来形成估计器。我们介绍了两种找到合适的数据依赖凸组合权重的策略:第一种策略利用测试过程识别方差较低的相邻均值,从而得到一个权重的闭式插值公式;第 - 使用 GNN 和核均值嵌入的原子模拟转移学习
本文提出了一种使用图神经网络和核平均嵌入的迁移学习方法,能够通过特征图来学习催化过程的系统特异性数据,以及通过一个灵活的核函数来融合化学物种信息,能够有效地提高性能和可解释性,同时具有出色的推广和传递性能。
- 使用旋转不变核的自监督学习
本研究提出了一种基于核平均嵌入的正则化损失,该损失使用在超球(也称为点积核)上具有旋转不变性的核,用于自监督学习图像表示。除了与现有技术竞争力充分之外,我们的方法显着减少了自监督训练的时间和内存复杂度,使其可以在现有设备上实现非常大的嵌入维 - 利用高阶核均值嵌入捕捉随机过程的过滤
通过将随机过程保留其渗透而不仅仅是变量路径,我们引入了一系列高阶核均值嵌入 (KMEs),这扩展了 KME 的概念并捕捉了与过滤器相关的附加信息。通过使用我们的高阶 MMD,我们构建了一族具有感知渗透的内核,这允许我们通过经典的基于内核的回 - DP-MERF: 带有随机特征的差分隐私均值嵌入,用于实际隐私保护数据生成
利用随机特征表示的核均值嵌入,提出一种差分隐私数据生成模型,可最小化深度生成模型的隐私成本,并在生成器训练期间重复使用此模型,从而显着提高隐私效用平衡度。
- KDD多实例回归中基于核均值嵌入的逐实例预测
本文提出了一种扩展的多实例回归算法 (instance-kme-MIR),通过计算预测标签的分布的核平均嵌入,并从这些嵌入中学习回归器到包标签上,从而解决了先前算法单个统计量的限制问题,并在五个现实世界数据集上测试,结果比基线算法 (ins - 距离方法和核方法在假设检验中的确切等效性
本文提出了一种新的双射变换方法,将 Distance-based tests 和 Kernel-based tests 两者结合起来,并简化了固定点变换方法,提高了数据结构保留能力。该方法有望促进 Distance-based and Ke - 核分布嵌入:分布上的通用核、特征核与核度量
研究核均值嵌入的三个问题:(I)对于给定的内核,可以嵌入哪些集?(II)嵌入何时在 M 上是单射的(在这种情况下,dk 是度量的)?(III)dk 诱导的拓扑与 M 上的其他拓扑如何比较?
- 贝叶斯学习核嵌入
该研究提出了一种新的概率模型 —— 贝叶斯核嵌入模型,它可以用于解决核学习中的核选择问题,并给出了一个简单、方便的边缘似然函数用于确定核超参数。
- 基于核蒙特卡洛滤波器的状态 - 观测示例过滤
本文提出了 Kernel Monte-Carlo Filter 方法,其中状态变量及观测值的关系仅通过若干组已知的观测值得知,该方法基于核平均嵌入的框架,通过简单有效的样本加权,样本采样,样本重采样等操作实现对状态量的准确后验推断,此方法在