关键词multi-modal distributions
搜索结果 - 7
- 高效多模态无导数贝叶斯推断与 Fisher-Rao 梯度流
本文研究了精确抽样问题,特别关注涉及贝叶斯推断中的大规模逆问题的科学和工程应用。通过引入基于 Fisher-Rao 梯度流的动力学系统,提出了一种处理贝叶斯推断中的计算挑战的方法,并应用高斯混合逼近和 Kalman 方法以解决多模态分布的问 - 扩散吉布斯抽样
我们提出了 DiGS (一种创新的采样方法) 用于从具有远离和断开模态的分布中进行有效采样。DiGS 通过将扩散模型与高斯卷积相结合,创造了一个桥接原始空间中孤立模态的辅助噪声分布,并且应用了 Gibbs 采样来交替地从两个空间中抽取样本。 - AAAI非可逆并行淬火用于深后验逼近
提出了一种 DEO 方案的改进版本来处理在大数据情况下的多分布并行模拟问题,该方案在合理的窗口大小下能够取得 $O (PlogP)$ 的通信代价,同时采用了大且恒定的学习率的随机梯度下降(SGD)方法,使得用户能够轻松进行复杂概率模型的近似 - 朝向治愈得分匹配的盲目
本文讨论机器学习和统计学应用中常用的得分基础分歧的盲区问题,提出一种可以缓解盲区问题的新的分歧家族,并通过密度估计的例子说明了该分歧的提议,并报告了与传统方法相比的性能改进。
- ICLR多元敏感的条件生成对抗网络
这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络(cGAN)中的模式崩塌问题,它通过显式地规范化生成器以产生不同的输出来控制可变因素,从而在视觉质量和多样性之间实现平衡,这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取 - 模态归一化
本文提出了一种扩展 Batch Normalization 的灵活方法,通过将归一化扩展到不止一个均值和方差,我们能够实时检测数据模式并联合归一化具有共同特征的样本。实验结果表明,我们的方法在单任务和多任务数据集上优于 BN 和其他广泛使用 - CVPR基于 “众多样本中的最佳” 采样目标的序列精确而多样化的采样
针对自动代理在预测未来事件和环境状态时面临的多模态分布挑战,提出了一种基于高斯潜变量模型的 “Best of Many” 样本目标方法,可以更准确地预测未来数据序列,模型在交通场景和天气数据等任务上实验效果表现优于先前研究成果。