- 基于混合 Transformer 的自监督单目深度估计的多先验表示学习
通过利用多个先验知识来增强表示能力,我们提出了一种新颖的自监督单目深度估计模型,以综合提高深度估计的准确性和可靠性。
- 可微分的成本参数化蒙特映射估计
利用一类神经背景成本函数的蒙热映射已知形式,我们构建了一个可微分的蒙热映射估计器,其可以根据已知信息优化,从而适应于特定问题的最优输运映射和相应背景成本函数的学习。该方法通过合适的损失函数,提供了一种利用关于蒙热映射本身的先前信息来学习适应 - 大型语言模型对因果图发现的有效先验
整合专家提供的背景知识可以改善观测数据的因果结构发现,并且由于对比人工专家而言查询它们的成本较低,最近开始将大型语言模型(LLM)视为提供先验信息的来源。本研究首先提出了一组用于独立于下游算法评估 LLM 判断因果图发现的度量标准。其次,我 - 基于证明可靠性的分数传播后验采样用于即插即用图像重建
本研究提出了一种算法框架,用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法 (DPnP),交替调用两个采样器,一个仅基于前向模型的似然函数的邻近一致性采样器,另一个仅基于图像先验的分数函数的降噪扩散 - CVPR贝叶斯扩散模型用于 3D 形状重建
Bayesian Diffusion Models (BDM) 通过紧密地将自上而下的(先验)信息与自下而上的(数据驱动)过程通过联合扩散过程有效地进行贝叶斯推断,展现了在 3D 形状重建任务上的有效性。相较于典型的用于配对(监督)数据标签 - 具有基于评分的结构先验知识的部分已知高斯图模型估计
我们提出了一种新的算法,用于部分已知高斯图模型的支持估计,该算法结合了关于底层图的先验信息。 im 简化后,我们通过伯努利分布生成图数据集,然后使用图神经网络有效地估计图先验的评分。数值实验证明了我们方法的优势。
- 一种可以利用先验信息加速收敛的 Robbins--Monro 序列
提出一种利用先验信息改善 Robbins-Monro 算法收敛速度的新方法,不需要使用潜在错误的回归模型,且适用于各种先验分布,尤其在测量函数次数有限和观测到的噪声较大的应用中,该先验信息 Robbins-Monro 序列比标准序列收敛更快 - 稀疏视角下的 CT 重建与 3D 高斯体积表示
稀疏视图 CT 重建研究中,3D 高斯模型的应用表现出更好的收敛性和新视图渲染,其通过启发来自滤波反投影重建图像的先验信息去初始化高斯模型,并通过在投影空间中比较差异来更新其参数,自适应密度控制进一步提高了性能,相比隐式神经表示方法 (IN - 从嘈杂且不完整的数据中学习网络传播模型
基于可扩展的动态传递消息技术,介绍了一种通用学习方法,用于从真实数据中学习传播模型的网络结构和参数,并解决了未知网络结构、噪声数据、缺失时间观测以及最小化所需样本数量的模型选择等挑战。
- 深度正则化复合高斯网络求解线性反问题
将先验信息纳入反问题中,通过最大后验估计等技术能够提供鲁棒的解决方案。本文提出了两种用于线性反问题的新方法,允许在复合高斯(CG)分布类中选择问题特定的统计先验。通过迭代算法 G-CG-LS 最小化具有 CG 先验的正则化最小二乘目标函数, - 用于图像去噪的深度正则化压缩学习的无批次随机梯度下降
基于最大后验贝叶斯框架和深度神经网络,本文提出了两种随机梯度下降算法用于从大规模训练数据库中恢复深度正则化参数,以提高去噪效果。
- 伪装物体检测中不需附加先验
提出了一种新颖的自适应特征聚合方法,通过有效地结合多层特征信息生成引导信息,与之前依赖边缘或排序先验的方法不同,该方法直接利用从图像特征中提取的信息来指导模型训练,在广泛的实验结果中证明了我们提出的方法在性能方面与最先进的方法相当或更好。
- 量子神经网络中量子态学习过程的统计分析
本文开发了一个不可能定理,证明了使用量子神经网络(QNNs)从高保真度的初始状态开始,学习未知量子态的概率随比特数指数级下降,而与电路深度多项式增长,从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制,并深化 - AAAI基于深度结构弹性图像配准的中文字符笔画提取
汉字笔画提取在字符识别和生成中起重要作用,通过图像注册和先验信息,使用基于深度学习的方法实现了对复杂结构的汉字的精准提取。
- Bayesian 统计方法求解反问题的教程
本文介绍了贝叶斯统计反演方法(BSI)用于解决物理系统参数估计和输入重构的反问题,包括如何量化不确定性和融合先验信息。通过热传递模型与石灰果的温度测量例子,展示了 BSI 方法应用的过程和效果,为科学家和工程师提供了详细指导。
- 符号回归的先验知识
该研究论文提出一种基于 n-gram 语言模型和分数贝叶斯因子的符号回归(SR)的先验信息方法,并将其性能与文献标准以及天文学领域中的基准测试结果进行了比较。
- AAAI不确定性感知的图像字幕生成
本文提出了一种基于不确定性的图片字幕生成框架,通过并行迭代地从易到难插入不连续的候选单词,将高不确定性的单词在较晚阶段生成,以生成更直观、可解释的字幕。在训练中,作者利用一种基于图像的词袋模型来衡量单词的不确定性,并运用动态规划算法构建训练 - 有效事件检测的语义中枢模型
本文提出了一种 Semantic Pivoting Model for Effective Event Detection (SPEED)—— 显式地在训练期间整合先前信息,捕捉输入与事件之间语义上的相关性,在多个设置中取得最先进的性能,并 - 可解释的块项张量建模超光谱超分辨率
本文研究了基于张量分解的高光谱超分辨率技术,提出了一种基于 LL1 张量分解的方法,可以将潜在因子解释为光谱图像的关键组成部分,从而便于加入先验信息以提高性能。
- 核矩阵完成与外推的概化误差界
本文分析了利用重构核希尔伯特空间在矩阵完成中融合先验信息以提高估计准确性和外推缺失条目的可靠算法的泛化误差, 并提出了数值测试结果证实了理论结果。