arXiv ID:
2604.11118
分布鲁棒的K均值聚类 / Distributionally Robust K-Means Clustering
1️⃣ 一句话总结
这篇论文提出了一种新的、更稳健的K均值聚类方法,通过考虑最坏情况下的数据分布变化,有效提升了算法对异常值、噪声和样本量不足的抵抗力,并提供了高效的求解算法。
分布鲁棒的K均值聚类 / Distributionally Robust K-Means Clustering
这篇论文提出了一种新的、更稳健的K均值聚类方法,通过考虑最坏情况下的数据分布变化,有效提升了算法对异常值、噪声和样本量不足的抵抗力,并提供了高效的求解算法。
通过归一化流逼近传输映射来采样玻尔兹曼分布 / Sampling Boltzmann distributions via normalizing flow approximation of transport maps
这篇论文从数学上证明了,可以使用一种名为‘归一化流’的神经网络模型,来高效且高精度地模拟和采样分子动力学中复杂的高维玻尔兹曼分布,并通过简单模型和丙氨酸二肽分子的实验验证了其有效性。
基于分数匹配的扩散模型在本质低维数据上的泛化性质 / Generalization Properties of Score-matching Diffusion Models for Intrinsically Low-dimensional Data
这篇论文证明了基于分数匹配的扩散模型在学习具有内在低维结构的数据分布时,其生成误差的收敛速度仅依赖于数据的内在维度而非环境维度,从而在理论上解释了其为何能有效缓解维度灾难并适应数据的真实几何结构。
Wasserstein分布鲁棒在线学习 / Wasserstein Distributionally Robust Online Learning
这篇论文提出了一种新的在线学习方法,让风险厌恶的决策者能够根据历史数据动态调整策略,以抵御最坏情况的数据分布变化,并通过将复杂的无限维优化问题转化为经典的预算分配问题,大幅提升了计算效率。
请先 登录 后再提交论文