- LLM 幻觉检测的概率框架:基于信念树传播
本文提出了一种基于概率的框架 Belief Tree Propagation(BTProp)用于 LLM 产生语句的幻觉检测,通过引入逻辑相关语句的置信树与隐藏马尔可夫树模型,以系统性的方式整合 LLM 在这些语句中的置信分数,实验结果表明 - 状态空间系统作为动态生成模型
一种基于概率的框架,用于研究确定性离散时间状态空间系统在输入和输出过程之间引入的依赖结构;在满足一定的条件下,这种系统成为两个序列空间之间的概率依赖关系的生成模型,且使用 Wasserstein 度量时,确保输出连续依赖于输入;通过该方法可 - CVPR朝着变量和协调的整体语音运动生成
通过 ProbTalk 的统一概率框架,以综合协调性和可变性为核心,生成自然多样的整体语音运动,从而比现有方法在质量和数量上都实现了更高的真实度。
- 无限数据中的因果关系:基准模型和新数据集
深度学习和因果发现相结合,我们发现在对话和视频中学习因果结构和表示面临许多挑战,这些数据形式被定义为 “不确定数据”,具有多结构数据和多值表示特征。为了解决数据集缺口,我们发布了两个高质量的数据集,Causalogue 和 Causacti - 基于强化学习的节俭卫星图像变化检测显示尺寸选择
我们介绍了一种基于主动学习的新型交互式卫星图像变化检测算法,该算法通过迭代的方式在用户(推荐系统)上进行询问,根据用户的注释更新变化检测结果,我们使用概率框架来为每个未标记的样本分配相关性度量,通过最小化包含多样性、代表性和不确定性的目标函 - 从部分观测状态学习时空连续神经偏微分方程
我们介绍了一种新颖的网格无关模型,用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。我们提出了一种空时连续潜在神经偏微分方程模型,具有高效的概率框架和新颖的编码器设计,以提高数据效率和网格独立性。潜在状态动态由一个将格点法和线法结合 - 利用自我监督采样进行端到端的越界检测
本论文提出了一种新的概率框架模型和一种无需 OOD 数据的自监督抽样模型 (SSOD),以解决现有研究中的问题,并展示了这些模型在大规模基准测试上具有领先的性能.
- 面向无线联邦学习的通道和梯度重要性感知设备调度
本研究提出一种名为 PO-FL 的概率设备调度框架,以缓解通道噪声的负面影响,在模型对聚合过程中使用该概率重量进行重新加权,通过经验分析得出结论:设备调度通过通信失真和全局更新方差影响学习性能。通过基于收敛性分析,进一步开发了基于渠道和梯度 - 通过最优传输和概率扩散模型进行统计降尺度处理:粗略去偏差,有条件地选样
介绍了一种新的基于概率框架在非成对数据之间的统计降尺度方法,该方法将最优输运地图和基于后验条件采样的概率扩散模型相结合,从而不需要成对数据便能还原有偏差样本中的相关物理统计数据,并在天气和气候的数值模拟中得到了实用验证。
- 使用潜变量发现新意向
本文提出了一种概率框架,通过将意图分配视为潜在变量,探索无标签数据的内在结构,从而发现新意图,并在已知意图的基础上,采用期望最大化算法,通过优化标记数据的区分度来减少来自已知意图的遗忘。在三组具有挑战性的真实世界数据集上进行了广泛的实验,证 - 通过分位风险最小化实现可能的域泛化
用概率框架和 Quantile Risk Minimization 算法在多个相关训练数据分布中提高性能,实现高概率域泛化,将训练和测试域作为从相同元分布中绘制的关系,并引入更全面的分位数聚焦评估协议,能够优于 WILDS 和 Domain - ICLR基于联合对比能量的模型,用于理解对抗训练的生成能力
该研究通过开发一种统一的概率框架 CEM,提供了关于 Adversarial Training(AT)的概率描述,并将其扩展到了无监督学习场景,提出了一种有原则的方法来开发对抗性学习和采样方法,实验表明,我们得到的采样方法提高了监督和无监督 - 面向原型的无监督领域自适应框架
提出了一种高效的概率框架,用于提取类别原型并将目标特征与其对齐,进而解决当前无监督域自适应方法中的采样可变性、类别不平衡和数据隐私问题,该方法适用于多种场景,包括单一源域,多源域,类别不平衡和源隐私域自适应,无需额外模型参数且计算量适中,在 - ICLR黑盒优化与无似然推断的统一
本文提出将无似然推断和黑盒优化统一到一个概率框架下的构造方法,以此为基础构建序列设计方法,并提出新的概率黑盒优化算法,通过序列设计应用的广泛实验表明该方法的优势。
- ICML更贝叶斯:具有不确定性的领域不变学习
本文提出了一种基于概率框架和可分变贝叶斯推理的方法,将不确定性引入神经网络权重来处理由于目标域数据不可访问引起的域移位和不确定性挑战。实验结果表明,该方法在四个广泛使用的交叉域视觉识别基准测试中始终提供最先进的平均准确性。
- RegFlow: 未来预测的概率流回归
本文提出了一种弹性且鲁棒的概率框架 RegFlow,采用超网络架构和连续正常化流模型进行训练,无需对未来状态的单峰性或概率分布做出任何限制,成果在多项基准数据集上表现优于竞争方法。
- 使用分层深度潜变量模型进行概率角色动作合成
提出了一种基于概率框架生成角色动画的方法,该方法基于弱控制信号生成逼真的动作序列,并保留人类运动的随机性。所提出的层次循环模型映射每个子序列的运动到一个随机潜变量代码,使用在时间领域上扩展的变分自动编码器。同时,提出一个考虑每个关节对姿势产 - ICCV单目深度估计的自适应置信度阈值
本文提出了一种使用自监督立体匹配方法生成的伪真实深度地图来辅助单目深度估计的新方法,并利用门限网络调整伪深度图。通过基于像素自适应卷积层提高单目深度估计精度,并取得了优异的实验结果。
- 从聚合观察中学习
本文提出了一个概率框架,将多实例学习扩展到多类分类和回归等其他问题,并引入一种新的一致性概念来表征估计器,证明了在温和的假设下具有良好的收敛性。实验证明,该方法在三种问题设置中具有有效性。
- 自动驾驶的概率多项式物体轨迹规划
本研究提出了一种基于条件性模仿学习算法和概率框架的自动驾驶决策方法,可用于导航、行人和其他路上的车辆预测,使用车载传感器信息生成多个实现路径,实现良好的性能和计算效率。