ode | BriefGPT - AI 论文速递

关键词ode

搜索结果 - 15

在线神经演员 - 评论家算法的弱收敛分析
使用在线演员 - 评论家算法训练的单层神经网络在隐藏单元数量和训练步骤数量趋于无穷大时，收敛于随机常微分方程 (ODE)。
PDF3 months ago
基于随机逼近的联邦机器学习方法
本论文研究了在随机逼近框架中的联邦学习（FL）。FL 是一种协作方式，可以在各个参与方或客户端之间训练神经网络模型，而不需要将它们的数据集中。每个客户端将在其相应数据上训练模型，并定期将权重发送至服务器进行聚合。服务器聚合这些权重，由客户端
PDF5 months ago
通过福克 - 普朗克方程来缩小基于评分的扩散模型中的 ODE-SDE 差距
通过分析得出结论，增加 Fokker-Planck 残差作为额外的正则化项可以缩小 ODE 和 SDE 生成的分布之间的差距，但这可能会导致 SDE 样本质量下降。
PDF7 months ago
扩散模型采样调度器
本研究提出了在相同采样过程的不同采样步骤中使用不同的采样器（ODE/SDE）的可行性，并通过实验证明这种多采样器调度在一定程度上改善了采样结果。特别是通过在早期采样步骤中使用 SDE 和在后期采样步骤中使用 ODE 的组合调度，解决了使用两
PDF8 months ago
递归神经网络在符合遍历性数据序列上训练的核极限
开发数学方法来表征随着隐藏单元数量、数据样本序列、隐藏状态更新和训练步骤同时趋向于无穷大，递归神经网络（RNN）的渐近特性。通过研究联合随机代数方程的无穷维 ODE 的解，我们证明了简化权重矩阵的 RNN 收敛到一个无穷维 ODE 的解与固
PDF10 months ago
ICML时间序列对齐的闭式同胚变换
本文提出了基于连续分段仿射速度场的 ODE 解及其梯度的闭式表达式，以实现时间序列联合对齐的高效和准确性。
PDF2 years ago
ACLODE Transformer: 序列生成的普通微分方程启发模型
本文研究残差网络与解常微分方程的欧拉离散化之间的关系，并将欧拉离散化方法运用于 Transformer 中，提出一种新的 ODE Transformer 架构，实现简单高效，在机器翻译、摘要生成和语法错误修正等任务上具有较高的泛化能力和性能
PDF2 years ago
QuadSim：用于强化学习算法的四旋翼旋转动力学模拟框架
本研究旨在设计和开发一个数学基础的四旋翼旋转动态仿真框架，以测试强化学习算法在各种灵活的配置下的表现，该框架利用初值问题求解常微分方程（ODE）系统来模拟四旋翼的线性和非线性表现，并通过添加随机高斯噪声使仿真变得确定性 / 随机性，同时该框
PDF2 years ago
CVPR使用神经 ODE 学习 4D 捕捉的组合表示
本研究提出一种基于深度学习的方法，通过编码器将每个组件表示为潜在编码，使用神经 ODE 对初始状态进行更新，使用解码器将形状编码和更新状态编码组合在一起重构 3D 模型，并通过身份交换训练策略来有效地解耦每个组件，从而在 4D 重建及运动转
PDF3 years ago
可交换神经 ODE 用于集合建模
本文提出了一种基于常微分方程（ODE）的可交换神经网络模组（Exchangeable Neural ODE），使神经网络在处理无序矢量组时可以在满足排列等变性（permutation equivariance）的前提下捕捉各元素的内部依赖特
PDF4 years ago
连续时间限制下的元学习
本文研究了模型无关元学习（Model-Agnostic Meta-Learning, MAML）运动动力学的普通微分方程（ODE），提出了一种新的 BI-MAML 训练算法，可以显著减少现有 MAML 训练方法的计算负担，并通过理论分析和实
PDF4 years ago
深度学习的射击公式
本文介绍了一种用粒子集成参数化的朝向初始条件进行连续深度神经网络优化的方法，并在长期预测任务中取得了相当竞争的性能。此外，该方法也适用于研究离散时间网络的新领域。
PDF4 years ago
基于神经常微分方程的循环神经网络模型
该研究论文介绍了一种使用 ODE 的时间序列数据分析方法，提出基于 ODE 的 RNN 模型，可在较短的训练时间内学习具有不规则采样率的连续时间序列，并且计算效率更高、精度更高、设计更简单。
PDF4 years ago
ICLR非线性 TD 学习收敛性的几何洞见
本研究旨在推广理论收敛保证到具有非线性函数逼近的 TD 学习，考虑 TD (0) 算法估计值的预期学习动态，使用具有良好几何形状的函数逼近器的集合，证明了在更可逆的环境下 TD 学习的收敛性，同时进行了非线性的收敛和发散案例的探讨。
PDF5 years ago
深度形变正则化流
DDNF 模型是一种基于普通微分方程 (ODE) 和递归神经网络 (RNN) 的正则差分流模型，具有高效的似然度评估和柔性的密度估计能力，是一种具有竞争力的新型神经密度估计技术，还可以在 Riemannian 半群中扩展。
PDF6 years ago