- 概率密度函数的中心度估计器
该研究报告探讨了数据选择问题,旨在构建一族最大化中心性的估计器。这个估计器家族具有一些我们定义的准则下的准确和稳健的概率密度函数拟合性质。我们建立了中心性估计器与最大似然之间的联系,说明了后者是其中的一个特例。因此,提供了费舍尔最大似然的一 - 通过神经网络实现大气密度自适应的火星进入精确导航
使用神经网络进行在线滤波,以估计火星大气密度并根据估计的不确定性进行考虑分析,提高实时性能和精确对齐估计密度与多样的火星大气情景的最大似然方法。
- 高斯数据库对齐和高斯植入匹配
该研究探讨了数据库对齐问题和插入匹配问题之间的关系,并研究了具有多元高斯特征的数据库对齐问题。结果显示,针对数据库对齐的最大似然算法和插入匹配的最大似然算法存在形式一致的线性规划形式,并通过放宽约束条件来获得不同算法的性能界限。
- Score Matching 的可证明优势
本文提出了一种自然指数分布家族 - 多项式指数分布家族, 对于这个家族的分布进行最大似然和得分匹配的比较研究,揭示得分匹配的损失函数可以通过计算复杂度低的优化方法进行计算,且在统计效率上与最大似然方法相当,而最大似然损失函数是无法通过基于梯 - 自编码器的最大似然训练
本文首次成功地将自动编码器与极大似然训练法结合,通过提出改进的评估器并克服训练中的两个挑战,获得了具有竞争力性能的最大似然自动编码器(MLAE)模型。
- 两种流的故事:Langevin 流和归一化流的协作学习助力于能量模型
研究合作学习的两个生成流模型,第一个模型是归一化流将简单密度转换为目标密度,第二个模型是 Langevin 流向能量模型运行梯度 MCMC。研究表明 CoopFlow 算法是一个有效的生成器,并展示了它生成逼真图像的能力。
- AAAI最大似然不确定性估计:对异常值的鲁棒性
本研究针对回归任务中的训练数据中的离群值和嘈杂标签对基于最大似然的不确定性估计方法的鲁棒性进行基准测试,并提出使用重尾分布(拉普拉斯分布)来提高对离群值的鲁棒性。通过标准回归基准测试和单目深度估计的高维回归任务进行了验证,得出了基于重尾分布 - 逆加权生存游戏
本文提出倒权重生存对抗网络 (Inverse-Weighted Survival Games) 来评估采用最大似然训练的模型 (Deep models) 在不同失效时间 (Brier Score 和 Bernoulli Log-Likeli - ACL神经自回归序列建模中的模式恢复
通过研究分布的模式如何在全学习链中维持来研究最大似然训练的神经自回归序列模型中的潜在问题,我们发现未来的研究必须考虑整个学习链,以充分了解神经自回归序列模型的潜力和危险,并进一步提高其性能。
- CVPRPLAD: 学习使用伪标签和近似分布推断形状程序
本研究提出了一种基于最大似然估计和伪标签或近似分布的培训策略 PLAD,用于训练模型进行程序推断,达到更准确,更简单的结果。
- AAAI通过 $α$- 散度桥接最大似然和对抗学习
提出了一种将最大似然和对抗训练相结合的方法,使用 $\alpha$-Bridge 将两者联系起来,从而同时实现数据模式捕获和高品质图像生成。
- 通过分布和特征层次了解深可逆网络的异常检测
我们提出了两种方法来解决通过最大似然训练的深度生成网络在异常检测时的问题,并通过 log likelihood ratios 和多尺度模型,提高了检测性能。
- EMNLP一种基于未完成解码的循环语言模型的一致性
研究了递归语言模型收到无限长度序列的相关问题,提出了一种自行终止的递归语言模型和两种解决一般解码算法不一致问题的方法。
- EMNLPARAML:一个文本生成的稳定对抗训练框架
提出了一种称为 ARAML 的新框架,通过采用最大似然估计算法以及与强化学习中不同的奖励函数,来优化文本 GAN 模型的性能。实验证明,这种模型能比现有模型更稳定、更优秀地生成文本。
- 变分 f 散度最小化
该论文探讨了一种用于训练概率隐变量模型的变分方法,其中结合了最近引入的 Spread Divergence 方法,可以应用于使用任何 f-divergence 训练大量的潜变量模型。
- 感知生成自编码器
本文介绍了一种名为感知生成自编码器的新型生成模型。该模型通过将生成的和目标分布映射到一个潜空间中,并用具有理论依据的数据和潜空间重构损失同时在数据空间和隐空间中强制同步,从而能够在无限制的神经网络体系结构和任意数量的潜在维度上推广可逆生成模 - 深入了解有条件生成模型的限制
本文研究基于条件概率生成模型的鲁棒分类,分析探究了在检测异常输入和标签错误等方面的鲁棒性,结果显示,生成分类器很难保证对抗性扰动的检测能力,并指出基于最大似然训练目标的生成模型在构建具有鲁棒性模型时存在缺陷,致使其在 CIFAR10 数据集 - 基于 MCMC 的最大似然能量模型学习解剖学
本文研究了 Markov 链蒙特卡罗采样在无监督最大似然学习中的效果,发现使用 ConvNet 势函数训练的最小框架可以实现高质量的短时合成,同时使用正确的 Langevin 噪声调整可以实现长时稳定采样;但使用收敛困难的 MCMC 训练 - ICML带偏移标签的适应性问题中,带偏差校准的最大似然方法最优
该研究探讨了如何解决标签转移问题,提出了一种称为最大似然算法的方法,并结合一种称为校准的类型来减少偏见,证明了最大似然算法的目标是凸的,出现了黑盒转移学习和标签转移下的正则化学习的方法。研究表明,最大似然算法结合适当的校准是一个有效的基线。
- 可逆残差网络
本研究展示了传统的 ResNet 模型可以被做成可逆的,这意味着同一个模型可以同时用于分类、密度估计和生成。令人惊讶的是,我们的方法只需要在训练时增加一个简单的归一化步骤,而不需要将维度分割或限制网络结构。作为一种生成模型,可逆的 ResN