关键词neural ordinary differential equation
搜索结果 - 10
- 高维偏微分方程的解算子的近似
我们提出了一种基于有限维控制的方法来近似解决高维演化型偏微分方程的解算符。通过使用通用的降阶模型,例如深度神经网络,我们将模型参数的演化与相应函数空间中的轨迹连接起来。利用神经常微分方程的计算技术,我们学习参数空间上的控制,从而使受控轨迹与 - TS-Diffusion: 用扩散模型生成高复杂度的时间序列
该研究论文介绍了 TS-Diffusion,一个通用模型,适用于处理具有采样不规则性、缺失值和大型特征 - 时间维度等复杂性的时间序列,通过分析、学习和生成时间序列的表示,该模型在传统和复杂时间序列的任务上表现出色,显著优于之前的基准模型。
- LMT:从单张图像预测疾病进展的纵向混合训练框架
本研究提出了一种结合纵向成像、糖尿病视网膜病变、神经常微分方程以及 $ t_{mix} $ 增强的纵向混合训练(LMT)框架,用于检测和预测糖尿病视网膜病变的进展。结果显示,我们的纵向任务可以学习糖尿病视网膜病变的进程,并且引入 $ t_{ - 神经常微分方程的纵向自我监督学习
本研究探索了自我监督学习算法在疾病进展方面的应用,重点研究了纵向自我监督学习算法及神经普通微分方程的潜力,并在糖尿病视网膜病变的纵向数据集上验证了相关算法,结果表明神经普通微分方程和纵向自我监督学习算法的结合潜力巨大。
- 通过切片 Wasserstein 距离优化的同胚形变用于大脑皮层表面重建
使用切片 Wasserstein 距离,基于概率测度的 Mesh 变形方法进行了研究。使用神经常微分方程 ODE 对输入的 Mesh 表面进行变形,其结果在多个数据集和指标上均超过了其他竞争方法。
- 流线型迅速:学会使用修正流生成和转移数据
我们介绍了修正流 (即沿最短路径连接两个分布的神经常微分方程模型) 的概念及其在各种相关任务中的应用,它能够为生成建模和域迁移等提供统一解决方案,并且在图像生成、图像翻译和域适应方面表现出优秀的性能。
- AAAIMetaNODE: 面向少样本学习的神经 ODE 原型优化
本研究提出了一种基于元学习的原型优化框架,称为 MetaNODE,通过神经常微分方程模型优化模型原型,解决了在稀疏数据上梯度信息失真的问题,从而实现了有效的 Few-Shot Learning。在 miniImagenet、tieredIm - CVPR元滤波器学习动态对齐以用于少样本学习
本文提出了一种基于动态对齐的特征调整方法,从视觉识别的角度解决了 few-shot learning 的问题,采用神经常微分方程技术,使模型能更好地捕捉少量样本的微粒子级别的语义上下文,大幅提高了在 miniImageNet 和 tiere - OT-Flow: 基于最优输运的快速准确连续正则化流
提出了一种基于最优传输理论和神经常微分方程的连续归一化流方法,具有高维密度估计和生成建模的能力,在五种任务中与现有技术相比表现出色,且训练时间为现有技术的 8 倍。
- 神经常微分方程中的随机性:实证研究
本文对几个图像分类任务进行了随机正则化神经 ODE 的实证研究,探讨了数据增强对其性能的影响,展示了神经 SDE 相对于其确定性版本的优势,但进一步的研究表明,数据增强消除了随机正则化的影响,使得神经 ODE 和神经 SDE 的性能差异微不