linear interpolation | BriefGPT

关键词linear interpolation

搜索结果 - 11

连续归一化流在概率分布学习中的收敛性
通过连续归一化流（CNFs）和线性插值，我们研究了采用匹配流目标函数学习概率分布的 CNFs 在从有限随机样本中学习概率分布方面的理论属性，并建立了基于 Wasserstein-2 距离的分布估计器的非渐进误差界。
PDF3 months ago
使用核变形函数为数据定制混合策略
动态地改变插值系数的分布以通过变形函数混合相似数据点，提出了一种既高效又灵活的框架，这样做既不会损失多样性，又会提高模型的性能和校准性。
PDF8 months ago
关于预测稳定性
使用 N-BEATS、Pooled Regression 和 LightGBM 作为基础模型，在四个公开可用的数据集上，所提出的方法相比包括最新的预测稳定方法在内的一组基准方法，在三个误差指标和六个稳定性指标上，能显著提高稳定性和 / 或准
PDF8 months ago
稳定非凸非凹训练的线性插值方法
该论文从线性插值的角度对神经网络训练的稳定性进行了理论分析，提出了一种基于非扩张算子理论的优化方法 —— 放松近似近端点（Relaxed Approximate Proximal Point，RAPP），该方法扩展并优化了 Lookahea
PDF9 months ago
引导式线性上采样
提出了一种简单而有效的引导上采样方法，通过优化上采样误差的低分辨率像素的索引和权重来表示高分辨率图像中的每个像素，从而更好地保留细节效果，并抑制出血和模糊等伪影，该方法适用于交互式图像编辑和实时高分辨率视频处理。
PDFa year ago
无限类别混淆
本文提出了一种名为 Infinite Class Mixup 的基于分类器混合的新型数据增广策略，通过对每个增广样本定义一个唯一的新分类器，而不是对训练对标签进行混合，使得神经网络能够更好地学习不同数据类之间的线性行为模式，并在多种模型上取
PDFa year ago
REPAIR: 修复插值问题的排列归一化激活函数
本文探讨了 Entezari 等人（2021）的猜想，即如果考虑神经网络的排列不变性，则线性插值可能没有损失障碍。作者提出了一种名为 REPAIR 的解决方法，通过重新缩放插值网络的预激活来减轻方差崩溃现象，在各种架构和任务中，使用 REP
PDF2 years ago
神经网络中排列不变性在线性模式连通性中的作用
本文研究神经网络的排列不变性，提出 SGD 解决方案在其线性插值中没有障碍的假设，并通过实验证明该假设，同时提供初步理论结果来支持我们的假设。该假设将对彩票假设、分布式训练和集成方法产生影响。
PDF3 years ago
神经网络损失函数曲面的线性插值可以为我们提供什么信息？
本文研究神经网络的损失景观，通过线性插值从初始状态到最终状态的方式探讨算法中的优化问题，发现线性插值的形状并不反映模型测试准确度变化，这破坏了关于插值中阻碍存在或不存在与优化成功相关的广泛思想。
PDF3 years ago
CVPR硬度感知深度度量学习
本文提出了一种硬度感知的深度度量学习（HDML）框架，通过利用线性插值对嵌入空间进行自适应调整，生成相应的保留标签合成数据进行回收训练，以充分利用所有样本中 buried 的信息，从而使度量始终面对适当的困难程度。实验结果表明，本方法在 w
PDF5 years ago
CVPR图像内容变化的深层特征插值
本文提出了 Deep Feature Interpolation（DFI）作为高分辨率图像转换的新数据驱动基准，只依赖于从预训练的卷积神经网络中进行深度卷积特征的简单线性插值。我们发现，虽然 DFI 非常简单，但是可以执行高级语义变换，如
PDF8 years ago