均值熵最大法滤除加性测量噪声

最大熵协同过滤算法

Maximum Entropy for Collaborative Filtering

在协同过滤的任务中，存在两个计算条件概率的挑战。首先，可用的训练数据的量相对于域的大小通常是稀疏的。因此，通常不存在对高阶相互作用的支持。其次，我们所依赖的变量对于每个查询都是不同的。也就是说，用户在每次查询期间标记不同的变量。因此，没有一致的输入到输出映射。为了解决这些问题，我们的目的是最大熵的方法，使用非标准的熵测量。这种方法可以简化为求解一组可以有效求解的线性方程组。

Differentiable Particle Filtering via Entropy-Regularized Optimal Transport

Particle Filtering (PF) methods are an established class of procedures for performing inference in non-linear state-space models. Resampling is a key ingredient of PF, necessary to obtain low variance likelihood and states estimates. However, traditional resampling methods result in PF-based loss functions being non-differentiable with respect to model and PF parameters. In a variational inference context, resampling also yields high variance gradient estimates of the PF-based evidence lower bound. By leveraging optimal transport ideas, we introduce a principled differentiable particle filter …

快速最大熵训练的协同过滤邻域方法的图形模型

A Graphical Model Formulation of Collaborative Filtering Neighbourhood Methods with Fast Maximum Entropy Training

用于协同过滤的项目邻域方法在项目集合上学习加权图，其中每个项目都连接到它最相似的项目。然后，用户对项目的评级的预测由相邻项目的评级给出，通过它们的相似性加权。本文提出了一种新的邻域方法，我们称之为项目字段，从而形成一个无向图形模型的项目图。由此产生的预测规则是一个简单的推广的经典方法，它考虑到非局部信息的图形，允许其最好的结果时，使用显着较少的边缘比其他邻域方法。提出了一种基于Bethe近似的快速近似最大熵训练方法，该方法采用简单的梯度上升过程。当在Movielens数据集上使用预先计算的充分统计数据时，我们的方法比最大似然方法快两个数量级。

基于双曲正切指数核M估计函数的有源噪声控制鲁棒自适应滤波设计与分析

Design and Analysis of Robust Adaptive Filtering with the Hyperbolic Tangent Exponential Kernel M-Estimator Function for Active Noise Control

本文提出FXHEKM鲁棒自适应算法，用于脉冲噪声环境下的有源噪声控制，并通过统计分析和数值实验验证其在消除α稳定噪声方面优于竞争算法。

基于熵引导的工具感知优化用于高效智能体强化学习

Tool-Aware Optimization with Entropy Guidance for Efficient Agentic Reinforcement Learning

提出TAO-RL框架，通过工具感知轨迹过滤和熵引导探索解决智能体强化学习中工具使用导致的训练不稳定问题，在7个推理基准上优于现有方法。

PENDANTSS: PEnalized Norm-ratios Disentangling Additive Noise, Trend and Sparse Spikes

Denoising, detrending, deconvolution: usual restoration tasks, traditionally decoupled. Coupled formulations entail complex ill-posed inverse problems. We propose PENDANTSS for joint trend removal and blind deconvolution of sparse peak-like signals. It blends a parsimonious prior with the hypothesis that smooth trend and noise can somewhat be separated by low-pass filtering. We combine the generalized quasi-norm ratio SOOT/SPOQ sparse penalties $\ell_p/\ell_q$ with the BEADS ternary assisted source separation algorithm. This results in a both convergent and efficient tool, with a novel Trust-R…