关键词multivariate normal distribution
搜索结果 - 9
- 使用多元模型和多视角对分类中的不确定性意识
提出了一种利用不确定性估计的人工智能模型训练方法，结合多视图预测和优化算法，实现了准确的预测和标签不确定性估计。
- 从数据中推断相互独立的最精细模式
本文研究关于多变量正态分布的互相独立的模式的提取，并提出了一种称为二元的独立，通过估计二元独立集的有效模式来估计互相独立的最终模式，并针对模拟数据和实验数据进行了测试。
- AAAI软目标定向传输集成的无数据知识蒸馏
本研究提出了一个基于多元正态分布的数据自由知识蒸馏方法，该方法从过度参数化神经网络中模拟中间特征空间并利用软目标标签生成伪样本以作为转换集。使用这些合成的转移集训练多个学生网络，表现出与使用原始训练集和其他无数据知识蒸馏方法训练的网络相当的 - 高斯过程回归的直观教程
本教程旨在提供对高斯过程回归的直观理解。首先解释了构建高斯过程的基本概念，包括多元正态分布，核函数，非参数模型以及联合和条件概率。然后简要描述了高斯过程回归以及标准高斯过程回归算法的实现。除标准高斯过程回归外，还介绍了实现最先进的高斯过程算 - ICML稀疏信息形式下神经网络模型不确定性的估计
本研究提出了一种神经网络模型的稀疏表达方式，利用多元正态分布的逆公式做参数后验概率的近似，进而压缩信息矩阵的维度。通过开发新的稀疏化算法和经济高效的分析采样方法，证明了该方法可以扩展地应用于深度神经网络，并在各种基准测试中显示出其具有竞争力 - 从截断样本中高效地估计高维统计量
该研究提出了一种高效的算法，利用截断样本可以无限精确地估计多元正态分布的参数，前提是拥有样本集的访问权，并且该样本集存在具有非微不足道的测度。
- 超平面截断多元正态分布的快速模拟
提出了一种快速易实现的模拟算法，用于多元正态分布受截断的超平面交集限制，进一步将其推广，以有效地模拟方差（精度）矩阵可分解为正定矩阵减去（加上）低秩对称矩阵的多元正态分布的随机变量。举例说明了所提出的模拟算法的正确性和效率。
- 利用惩罚邻域回归学习有向无环图
研究了一种正则化的基于得分的评估器族，可以从高维数据中学习多元正态分布的有向无环图（DAG）的结构，通过损失函数惩罚最小二乘估计，支持多种正则化方法，并且首次提出了在高维条件下基于得分的有向无环图结构学习的有限样本保证。
- 高斯网路学习
该研究文章探讨了如何从用户知识和统计数据中学习贝叶斯网络，提出了一种得分度量和搜索程序，并通过从单个先验贝叶斯网络构建先验概率分布，识别出两个重要的假设（事件等价性和参数模块化），为连续变量或离散和连续变量混合的领域开发分数度量方法。