- Neural-g: 混合密度估计的深度学习框架
通过神经网络实现混合密度估计以及先验概率密度估计的新方法 neural-g,并证明了神经网络可以学习任意概率质量函数的能力。
- 去噪:从传统方法到深度卷积神经网络
该论文探讨图像去噪的演变过程,从傅里叶分析和小波基础方法到神经网络,尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能,适用于各种图像类型,包括具有固定规律性、人脸图像和卧室场景,以及对几何适应性调和基础有偏好的 - PINF:用于物理约束深度学习的连续归一化流
本文介绍了基于物理信息的归一化流(PINF),它是连续归一化流的一种新方法,通过特征方法结合扩散,能高效解决高维时间依赖和稳态福克 - 普朗克方程。
- 从一个数据集到另一个数据集的流动:最大似然估计的变形
利用正则化流模型,在没有明确知道数据集概率密度的情况下,通过最大似然估计训练正则化流,实现从一个数据集到另一个数据集的变形策略,并研究数据点的移动程度以统计匹配两个数据集,同时以特定特征为条件来生成变形函数。
- 从头到尾传递知识:长尾分布下的不确定性校准
本论文研究如何从长尾分布的样本中训练模型并校准,利用知识转移和重要性权重估算方法,将尾部类别的目标概率密度适应地从头部类别中传输,实现了长尾分布校准,并在多个数据集上证实了该方法的有效性。
- ICLR使用随机插值构建归一化流
本文提出一种基于连续时间正规化流的生成模型,该流的速度场由时间依赖密度的概率流推断而来,可用于样本生成和密度估计,并可最小化插值密度的路径长度来建立最优传输映射。该方法通过对基于随机微分方程的方法的简化,使生成的流可以以低成本超越传统方法, - 采用概率密度扫描方法构建远程航行船只轨迹和预测到达时间
本文提出了一种基于概率密度的轨迹构建方法,并通过一个典型应用 —— 根据起讫点预测到达时间(ETA),进行验证。ETA 预测基于概率密度轨迹提取的物理和数学规律。该方法在所选新加坡和澳大利亚港口间的整体轨迹预测误差平均约为 0.106 天( - ICML约束归一化下的自编码
提出了一种基于自编码器构建的标准化概率模型 ——Normalized Autoencoder (NAE),通过抑制负样本的重构实现规范化,并显著提高了异常检测性能。
- ECCV学习梯度场用于形状生成
本文提出一种新颖的技术,通过随机梯度上升在未标准化概率密度上移动样本点来生成点云,使其达到类似真实高密度区域的效果,并通过该方法达到点云自编码和生成的最新成果,同时允许提取高质量的隐式表面。
- 提升黑盒变分推断
本文提出了一种改进算法,基于强化版 Variational Inference 方法,用于更有效地近似概率密度,以此实现贝叶斯统计中重要的求解任务,提出的改进方法叫做 Boosting VI。通过对算法的理论分析,证明了算法的收敛性和可行性 - 高斯过程调制的更新过程有效推断及应用于医疗事件数据
本文提出一种用于医疗事件数据的统计学习方法,它基于时标分类变量(或事件)的更新过程,并推断出在这个过程中调制的概率密度。使用基于高斯过程的数字积分和平滑插值的方法来近似推断强度函数概率密度。这个方法不仅精确度更高,而且还可以用于处理波动型、 - 推断确定性因果关系
对于两个变量间的因果关系推断,我们提出了一种新的方法,即在确定性(无噪声)情况下,利用函数的非对称性以及它和因变量的概率密度的独立性进行推断。我们还将其与信息几何联系在一起,在不同领域的实际数据集上获得了强有力的实证结果。
- 动态环境下移动机器人的马尔可夫定位
本文介绍了一种针对动态环境的 Markov 定位算法,它能够在表征机器人环境中所有位置的概率密度的基础上精确地确定机器人的位置,并且能够从弱化的环境模型和嘈杂的传感器中恢复定位。
- 护航均值与幂律衰减概率密度的表征
该研究讨论了通过一系列合理的 Escort 平均值以及相关标准化量来表征概率密度的问题,特别是对于那些所有非零标准矩都具有发散值(例如幂律下降的概率密度),标准方法不适用的情况。同时,研究还涉及到与 Fourier 变换的非线性常数 q 有 - 一种用于条件概率密度的神经贝叶斯估计器
本文介绍了一种基于神经网络和贝叶斯诠释的非参数光滑回归算法来估计条件概率密度函数 f (t | x),可应用于如最大似然拟合或预测任务等各种场景,并针对非高斯分布进行了自动处理。