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