Distance metric learning for conditional anomaly detection
University of Pittsburgh, PA（匹兹堡大学）
本文研究了基于实例的方法，通过优化距离度量来检测条件异常，重点在于学习反映最佳条件异常模式的距离度量。
2026-05-01 cs.LG
metricDTW: local distance metric learning in Dynamic Time Warping
University of Southern California（南加州大学）
我们建议学习多个局部马氏距离度量来执行时间序列的k-最近邻（kNN）分类。时间序列首先通过动态时间规整（DTW）进行对齐;给定对齐路径，两个序列之间的相似性通过DTW距离来度量，DTW距离是沿着对齐路径匹配的时间点对之间的累积距离。传统上，欧几里德度量用于匹配对之间的距离计算，忽略了数据的冗余性，并且可能不是最佳的。在这里，我们建议学习多个Mahalanobis度量，使得DTW距离成为Mahalanobis距离的总和。我们采用大间隔最近邻（LMNN）框架来适应我们的情况，并将多度量学习公式化为线性规划问题。大量的序列分类结果表明，我们提出的多度量学习方法是有效的，不敏感的前面的比对质量，并达到最先进的性能在UCR时间序列数据集。
2016-06-11 cs.LG
SCoRE: Streamlined Corpus-based Relation Extraction using Multi-Label Contrastive Learning and Bayesian kNN
Department of Physical, Computer and Mathematical Sciences - University of Modena and Reggio Emilia（物理、计算机和数学科学系 - 模纳和雷吉奥艾米利亚大学）
SCoRE提出无需微调、模块化的句子级关系抽取系统，结合监督对比学习与贝叶斯kNN，在低监督下抗噪，匹配或超越SOTA且能耗更低，并引入新评估指标与基准数据集。
2025-07-09 cs.AI cs.CL cs.IR
Robust Metric Learning based on the Rescaled Hinge Loss
Ministry of Higher Education and Scientific Research（高等教育与科学研究部）；Sabzevar University of New Technology（萨布瓦尔新技术大学）；Birjand University of Technology（比尔詹德理工大学）
距离/相似性学习是机器学习中的一个基本问题。例如，kNN分类器或聚类方法基于距离/相似性度量。度量学习算法通过从数据中学习最佳距离函数来提高这些方法的效率。大多数度量学习方法需要成对或三元组形式的训练信息。如今，这种培训信息往往是通过众包方法从互联网上获得的。因此，该信息可能包含标签噪声或离群值，导致学习度量的性能较差。甚至有可能学习的度量函数比一般度量（如欧几里得距离）执行得更差。为了解决这一问题，本文提出了一种新的鲁棒性度量学习方法的基础上重新缩放铰链损失。这种损失函数是流行的铰链损失的一般情况，最初在（Xu et al. 2017）中引入，以开发一种新的鲁棒SVM算法。在本文中，我们制定了度量学习问题使用重新缩放铰链损失函数，然后开发了一个有效的算法的基础上HQ（半二次）来解决这个问题。在各种真实和合成数据集上的实验结果证实，在存在标签噪声和离群值的情况下，我们新的鲁棒算法的性能大大优于最先进的度量学习方法。
2020-01-22 cs.LG stat.ML
C-kNN-LSH: A Nearest-Neighbor Algorithm for Sequential Counterfactual Inference
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Stevens Institute of Technology（史蒂文斯理工学院）
C-kNN-LSH通过局部敏感哈希和双重鲁棒校正，有效处理高维、混淆的序列因果推断问题，提升长期新冠康复异质性识别与政策价值估计性能。
2026-02-02 cs.LG stat.ML
Dimensionality Invariant Similarity Measure
Mutah University（穆塔大学）
本文提出了一种新的相似性度量，用于一般任务，包括监督学习，这是代表的K-最近邻分类器（KNN）。所提出的相似性度量在特征空间的某些维度上对大的差异是不变的。数学上证明了该度量是一个度量。为了测试其在不同应用中的可行性，KNN使用所提出的度量对从许多真实数据集中选择的测试示例进行分类。实验结果表明，该距离度量方法是一种很有前途的KNN分类器距离度量方法，具有广泛的应用前景。
2014-09-02 cs.LG
Bayesian Neighbourhood Component Analysis
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
在特征空间中学习一个好的距离度量可能会提高KNN分类器的性能，并且在许多实际应用中非常有用。然而，许多度量学习算法基于二次优化问题的点估计，这是耗时的，容易过拟合，并且缺乏自然的机制来推理参数不确定性，这是一个重要的属性，特别是当训练集很小和/或有噪声时。为了解决这些问题，我们提出了一种新的贝叶斯度量学习方法，称为贝叶斯NCA，基于著名的邻域成分分析方法，其中度量后验的特征在于观察的局部标签一致性约束，编码的相似性图，而不是独立的成对约束。为了有效的贝叶斯优化，我们探索了原始NCA目标的对数似然的变分下界。在几个公开数据集上的实验表明，该方法能够从小规模数据集和/或具有挑战性的训练集与错误污染的标签学习鲁棒的度量措施。所提出的方法也优于以前的成对约束贝叶斯度量学习方法。
2016-04-08 cs.CV cs.LG
Conformal and kNN Predictive Uncertainty Quantification Algorithms in Metric Spaces
Department of Economics and Business, Pompeu Fabra University（巴塞罗那庞培法布拉大学经济与商业系）；ICREA；Barcelona Graduate School of Economics（巴塞罗那经济研究生院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Department of Biostatistics, Harvard University（哈佛大学生物统计学系）
针对度量空间回归模型，提出基于同方差性的共形预测算法和异方差下的kNN过程，分别提供有限样本覆盖保证和局部自适应预测半径，适用于大规模数据和序列扩展。
2026-06-23 cs.LG math.ST stat.ME
Large-Margin kNN Classification Using a Deep Encoder Network
University of Toronto（多伦多大学）
KNN是最流行的分类方法之一，但由于距离度量的选择不当或存在大量与类别无关的特征，它通常无法很好地工作。线性特征变换方法已被广泛应用于提取类相关信息以改进kNN分类，但在许多应用中非常有限。核函数已被用于学习强大的非线性特征变换，但这些方法无法扩展到大型数据集。在本文中，我们提出了一种可扩展的非线性特征映射方法，该方法基于用限制性玻尔兹曼机预训练的深度神经网络，用于在大间隔框架中改进kNN分类，我们称之为DNet-kNN。DNet-kNN可用于分类和监督降维。在两个基准手写数字数据集上的实验结果表明，DNet-kNN比使用线性映射的大间隔kNN和基于用限制玻尔兹曼机预训练的深度自动编码器的kNN具有更好的性能。
2009-06-09 cs.AI cs.LG
Explainable Online Validation of Machine Learning Models for Practical Applications
University of Tübingen（图宾根大学）；Liebherr-Elektronik GmbH（利勃海尔电子有限公司）；Scheidt MessTechnik（沙伊特测量技术公司）
我们提出了一个重新制定的回归和分类，其目的是验证结果的机器学习算法。我们的重新制定简化了原来的问题，并验证了机器学习算法使用的训练数据的结果。由于机器学习算法的验证必须始终是可解释的，我们执行我们的实验与kNN算法以及与基于条件概率的算法，这是在这项工作中提出的。为了评估我们的方法，三个公开的数据集，三个分类和两个回归问题进行了评估。所提出的算法的基础上的条件概率也是在线的能力，只需要一小部分的内存相比，kNN算法。
2021-01-17 cs.AI cs.CV cs.LG
Reachable Distance Function for KNN Classification
Central South University（中南大学）
距离函数是机器学习中度量两个数据点之间相似度的主要度量。在实际应用中，现有的距离函数通常提供不可达的距离值。这可能导致对数据点之间的亲和力的不正确测量。本文提出了一种用于KNN分类的可达距离函数。可达距离函数不是两个数据点之间的几何直线距离。它在测量数据点之间的亲和力时考虑了训练数据集的类属性。具体地说，数据点之间的可达距离包括类中心距离和实距离。它的形状看起来像“Z”，我们也称之为Z距离函数。通过这种方式，同一类中的数据点之间的亲和力总是比不同类中的数据点之间的亲和力更强。或者，组内数据点总是比组间数据点更接近。实验结果表明，该距离函数在KNN分类中具有更好的性能。
2022-06-29 cs.AI cs.LG
KNN-Diffusion: Image Generation via Large-Scale Retrieval
Meta AI
最近的文本到图像模型取得了令人印象深刻的结果。然而，由于它们需要大规模的文本-图像对数据集，因此在数据稀缺或未标记的新域上训练它们是不切实际的。在这项工作中，我们建议使用大规模检索方法，特别是高效的k最近邻（kNN），它提供了新的功能：（1）在没有任何文本的情况下训练相当小且有效的文本到图像扩散模型，（2）通过在推理时间简单地交换检索数据库来生成分布外图像，以及（3）在保持对象身份的同时执行文本驱动的局部语义操作。为了证明我们的方法的鲁棒性，我们将我们的kNN方法应用于两个最先进的扩散骨干，并在几个不同的数据集上显示结果。通过人类研究和自动度量评估，与仅使用图像（没有配对文本数据）训练文本到图像生成模型的现有方法相比，我们的方法实现了最先进的结果。
2022-10-02 cs.AI cs.CL cs.CV
Evaluating Aleatoric Uncertainty via Conditional Generative Models
Columbia University（哥伦比亚大学）
随机不确定性量化寻求随机响应的分布知识，这对于机器学习应用中的可靠性分析和鲁棒性改进是重要的。以往任意不确定性估计的研究主要是针对封闭形式的条件密度或方差，这需要对数据的分布或维数有很强的限制。为了克服这些限制，我们研究了任意不确定性估计的条件生成模型。我们引入了两个度量来衡量适合这些模型的两个条件分布之间的差异。这两个指标都可以通过条件生成模型的蒙特卡罗模拟轻松且无偏差地计算，从而促进其评估和训练。我们数值演示了我们的指标如何提供正确的测量条件分布的差异，并可用于训练条件模型对现有的基准竞争。
2022-06-09 cs.LG stat.ML
Few-Shot Learning with Metric-Agnostic Conditional Embeddings
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Seattle Research Center（西雅图研究中心）
从少量样本中学习高质量的类表示是面向少样本学习的度量学习方法中的一个关键问题。为了实现这一点，我们引入了一种新的架构，类表示的条件为每个Few-Shot试验的基础上的目标图像。我们还偏离了传统的度量学习方法，通过训练网络来执行类之间的比较，而不是依赖于静态度量比较。这允许网络决定每个类的哪些方面对于手头的比较是重要的。我们发现，这种灵活的架构在实践中效果良好，实现了加州理工大学UCSD鸟类细粒度分类任务的最先进的性能。
2018-02-12 cs.LG stat.ML
Machine learning based biomedical image processing for echocardiographic images
人工智能和机器学习的普及促使研究人员在最近的研究中使用它。该方法采用K近邻算法对医学图像进行分割，通过神经网络对数据进行分类，提取图像特征进行分析。图像的分类在医学成像中非常重要，KNN算法是一种比较合适的算法，它简单、概念性强、计算量大，在分类结果上有很好的准确性。KNN算法是一种独特的用户友好的方法，在机器学习算法中具有广泛的应用，主要用于各种图像处理应用，包括分类，分割和回归问题的图像处理。该系统使用灰度共生矩阵特征。训练后的神经网络在一组超声心动图图像上进行了成功的测试，并利用回归图对误差进行了比较。该算法的结果进行了测试，使用各种定量和定性指标，并证明表现出更好的性能，在定量和定性指标方面，在当前国家的最先进的方法在相关领域。为了比较训练的神经网络的性能，进行的回归分析显示出良好的相关性。
2023-03-16 cs.CV cs.LG eess.IV
Approximate Conditional Coverage & Calibration via Neural Model Approximations
Reexpress AI；Harvard University（哈佛大学）
一个典型的迫切需要量化的不确定性从分类模型作为一个预测集是类条件单例集校准。也就是说，这样的集合应该映射到校准良好的选择性分类器的输出，匹配观察到的相似实例的频率。最近提出深度网络自适应和局部共形p值的工作并不能保证这种行为，也不能凭经验实现。相反，我们使用来自基于KNN的Transformer网络近似的预测可靠性的强信号来构建Mondrian Conformal Predictors的数据驱动分区，这些分区被视为弱选择性分类器，然后通过新的归纳Venn Predictor（Venn-ADMIT Predictor）进行校准。由此产生的选择性分类器是校准良好的，在一个保守的，但实际上有用的意义上，对于一个给定的阈值。它们对数据分区比例的变化具有固有的鲁棒性，并且简单的保守统计学对协变量偏移提供了额外的鲁棒性。我们比较和对比最近的共形预测器在几个具有代表性和挑战性的自然语言处理分类任务中产生的数量，包括类不平衡和分布偏移设置。
2022-12-01 cs.CL cs.LG
Probabilistic QoS Metric Forecasting in Delay-Tolerant Networks Using Conditional Diffusion Models on Latent Dynamics
School of Computer Science Nanjing University of Posts（南京邮电大学计算机科学学院）
本文提出利用条件扩散模型结合潜在时间动态，对延迟容忍网络中的QoS指标进行概率预测，以量化不确定性并优于传统方法。
2025-10-15 cs.LG stat.ML
Assessing the Probabilistic Fit of Neural Regressors via Conditional Congruence
Brigham Young University（Brigham Young 大学）
本文提出条件一致性及其度量CCE，用于评估神经回归器在任意输入点的概率拟合，弥补校准指标仅能边际评估的不足，并在高维回归中验证了其正确性、单调性、可靠性和鲁棒性。
2025-10-22 cs.LG stat.ML
Learning conditional distributions on continuous spaces
Université d’Évry-Val-d’Essonne（埃夫里-瓦尔德埃松大学）；ENSIIE（国立信息与电子高等学校）；University of Toronto（多伦多大学）
本文研究连续空间中的条件分布学习，分析固定半径球与 kNN 聚类的收敛速率，并将近邻、近似搜索、Sinkhorn 算法和稀疏传输计划集成到神经网络训练中。
2024-06-13 cs.LG math.ST stat.ML
Online Classification with Complex Metrics
我们提出了一个框架和分析一致的二元分类复杂和不可分解的性能指标，如F-措施和Jaccard措施。所提出的框架是通用的，因为它适用于批量和在线学习，以及线性和非线性模型。我们的工作如下最近的结果表明，贝叶斯最佳分类器的许多复杂的指标是由阈值的条件概率的积极类。这份手稿扩展了这种阈值特征-表明该实用程序是严格的局部准凹相对于阈值的广泛的模型和性能指标。这又促使简单的归一化梯度上升更新用于阈值估计。我们提出了一个有限样本的遗憾分析所产生的程序。特别是，批量情况下的风险收敛到贝叶斯风险的基础条件概率估计相同的速度，和建议的在线算法的风险收敛速度取决于条件概率估计风险。例如，在条件概率模型是逻辑斯谛回归的特殊情况下，我们的过程实现了$O(\frac{1}{\sqrt{n}})$样本复杂度，无论是批量训练还是在线训练。实证评估表明，所提出的算法在实践中优于替代方案，具有可比或更好的预测性能，并减少了各种指标和数据集的运行时间。
2018-02-10 cs.LG stat.ML
Neural SDEs for Conditional Time Series Generation and the Signature-Wasserstein-1 metric
Universitat Autònoma de Barcelona（巴塞罗那自治大学）；Universitat de Barcelona（巴塞罗那大学）
（条件）生成对抗网络（GANs）近年来取得了巨大的成功，因为它们能够在极高维空间上近似（条件）分布。然而，它们对于训练来说是高度不稳定的并且计算上昂贵的，特别是在时间序列设置中。最近，已经提出了使用粗糙路径理论中的一个关键对象，称为路径的签名，它能够将（条件）GAN框架给出的最小-最大公式转换为经典的最小化问题。然而，这种方法在存储器成本方面极其昂贵，有时甚至变得令人望而却步。为了克服这一点，我们建议使用\textit{Conditional Neural Stochastic Differential Equations}，它具有作为深度函数的恒定内存成本，比传统的深度学习架构更高效。我们的经验测试，该模型是更有效的比其他经典的方法，无论是在内存成本和计算时间方面，它通常优于他们的性能。
2023-01-03 cs.LG math.PR stat.ML
kNN Classification of Malware Data Dependency Graph Features
The College of Wooster（伍斯特学院）；University of Cincinnati（辛辛那提大学）
本文提出基于数据依赖图特征与kNN非参数学习进行恶意软件分类，在Kaggle 2015数据集上实现高准确率，并证明该特征表示能同时捕获语义与结构信息以增强可解释性。
2024-07-06 cs.AI cs.CR cs.LG
Conditional Coverage Diagnostics for Conformal Prediction
Sierra team, Inria Paris, France（Inria巴黎研究院法国团队）；Ecole Normale Supérieure, PSL Research University, Paris（巴黎高等师范学院PSL研究大学）；Soda team, Inria Paris-Saclay, France（Inria巴黎-萨克雷分校法国团队）；Departments of EECS（电子工程与计算机科学系）
提出将条件覆盖估计转化为分类问题，通过超额风险度量(ERT)来诊断共形预测的条件覆盖偏差，实验表明使用现代分类器比传统指标具有更高的统计功效。
2026-05-29 cs.AI cs.LG stat.ML
Conditional Bures Metric for Domain Adaptation
Pazhou Lab（琶洲实验室）
无监督领域自适应（UDA）作为面向分类的迁移中的一个重要问题，近年来受到了广泛的关注。以往的UDA方法假设不同领域的边缘分布发生了移动，而忽略了标签分布中的判别信息。这会导致实际应用中的分类性能退化。在这项工作中，我们专注于条件分布偏移问题，这是目前的条件不变模型非常关注。我们的目标是寻求一个核协方差嵌入条件分布，这仍然是尚未探索。在理论上，我们提出了条件核Bures（CKB）度量来表征条件分布差异，并在不引入隐式核特征映射的情况下导出了CKB度量的经验估计。它提供了一个可解释的方法来理解知识转移机制。建立的经验估计的相合性理论为收敛性提供了理论保证。提出了一种条件分布匹配网络来学习UDA的条件不变特征和判别特征。大量的实验和分析表明，我们提出的模型的优越性。
2021-07-31 cs.CV cs.LG
On the Evaluation of Conditional GANs
University of Guelph（圭尔夫大学）；Vector Institute（向量研究所）；Facebook AI Research（Facebook人工智能研究）
条件生成对抗网络（cGAN）在许多应用领域中得到越来越广泛的使用。尽管取得了突出的进展，定量评价这些模型往往涉及多个不同的指标，以评估不同的理想属性，如图像质量，条件一致性，和内调节多样性。在这种情况下，模型基准测试成为一个挑战，因为每个指标可能表明不同的“最佳”模型。在本文中，我们提出了Frechet联合距离（FJD），它被定义为图像和条件的联合分布之间的Frechet距离，允许它在单个度量中隐式地捕获上述属性。我们在可控的合成数据集上进行概念验证实验，与目前建立的指标相比，这些实验始终突出了FJD的好处。此外，我们使用新引入的度量来比较现有的基于cGAN的模型，以用于各种条件模式（例如类标签，对象掩码，边界框，图像和文本标题）。我们表明，FJD可以用作cGAN基准测试和模型选择的一个有前途的单一指标。代码可以在https://github.com/facebookresearch/fjd上找到。
2019-12-24 cs.CV cs.LG eess.IV
Evaluation Metrics for Conditional Image Generation
Tel-Aviv University（特拉维夫大学）；Facebook AI Research（脸书人工智能研究院）
我们提出了两个新的指标，用于评估类条件图像生成设置中的生成模型。这些指标是通过概括两个最流行的无条件指标获得的：初始分数（IS）和弗雷切特初始距离（FID）。理论分析表明，背后的动机每个建议的度量和链接的新指标，他们的无条件的同行。在IS的情况下，该链接采用乘积的形式，在FID的情况下，该链接采用上界的形式。我们提供了一个广泛的实证评估，比较的指标，其无条件的变体和其他指标，并利用它们来分析现有的生成模型，从而提供额外的见解，他们的性能，从未学习的类模式坍塌。
2021-02-08 cs.CV cs.LG eess.IV
Classification Accuracy Score for Conditional Generative Models
DeepMind（深度思维）
图像的深度生成模型（DGMs）现在已经足够成熟，它们可以生成近乎真实感的样本，并获得类似于Frechet Inception Distance（FID）等几何学数据分布的分数。这些结果，特别是在ImageNet这样的大规模数据集上，表明DGM正在感知有意义的空间中学习数据分布，并可用于下游任务。为了测试后一个假设，我们使用来自许多模型类的类条件生成模型-变分自编码器，自回归模型和生成对抗网络（GANs）-来推断真实数据的类标签。我们通过仅使用合成数据训练图像分类器并使用分类器来预测真实数据上的标签来执行此推断。这项任务的性能，我们称之为分类准确度得分（CAS），揭示了一些传统指标无法识别的令人惊讶的结果，并构成了我们的贡献。首先，当使用最先进的GAN（BigGAN-deep）时，与原始数据相比，Top-1和Top-5的准确度分别下降了27.9%和41.6%;来自其他模型类的条件生成模型，如矢量量化变分自编码器（VQ-VAE-2）和分层自回归模型（HAM），在此基准测试中的表现大大优于GANs。其次，CAS自动表面生成模型未能捕获数据分布的特定类，并且以前在文献中是未知的。第三，我们发现传统的GAN指标，如初始得分（IS）和FID既不能预测CAS，也不能用于评估非GAN模型。此外，为了便于更好地诊断生成模型，我们开源了所提出的度量。
2019-10-28 cs.LG stat.ML
Metric Flow Matching for Smooth Interpolations on the Data Manifold
University of Oxford（牛津大学）；Mila（米拉（魁北克人工智能研究所））；Université de Montréal（蒙特利尔大学）；AITHYRA（艾西拉（机构名））
本文提出度量流匹配（MFM），一种无模拟的条件流匹配框架，通过最小化数据诱导黎曼度量的动能学习近似测地线插值，使生成模型匹配数据流形上的向量场，在LiDAR导航、非配对图像转换和细胞动力学建模等任务中优于欧几里得基线，并在单细胞轨迹预测上达到最先进性能。
2024-11-04 cs.LG stat.ML
Conditional Frechet Inception Distance
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
我们考虑条件分布之间的距离函数。我们专注于Wasserstein度量和它的高斯情况下被称为Frechet初始距离（FID）。我们开发这些指标的条件版本，分析它们的关系，并提供了一个封闭的形式解决方案的条件FID（CFID）度量。我们数值比较的背景下，现代条件生成模型的性能评估的指标。我们的研究结果表明CFID相比，经典的FID和均方误差（MSE）措施的优势。与FID相反，CFID在识别产生与其输入无关的实际输出的故障时很有用。另一方面，与MSE相比，CFID在识别故障时是有用的，其中即使有一组不同的等概率输出，也会生成单个实际输出。
2022-02-28 cs.CV cs.LG
A Novel Pseudo Nearest Neighbor Classification Method Using Local Harmonic Mean Distance
School of Artificial Intelligence, Hebei University of Technology（河北工业大学人工智能学院）；College of Big Data, Weifang Institute of Technology（潍坊理工学院大数据学院）
提出LMPHNN方法，利用局部调和平均距离改进伪最近邻分类，在UCI数据集上平均精确率97%，显著优于七种KNN变体，尤其适用于小样本场景。
2024-05-28 cs.LG
Calibrating conditional risk
Imperial College Business School（帝国理工学院商学院）；Department of Statistics and Operations Research（统计与运筹学系）；Imperial College London（伦敦帝国理工学院）；UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
本文研究了校准条件风险问题，揭示其与标准回归任务的等价性，并在分类和回归中提出理论分析与实验验证，为不确定性量化提供新视角。
2026-04-22 cs.LG stat.ML
Learning with Mandelbrot and Julia
Faculty of Mathematics and Natural Sciences（数学与自然科学学院）；Institut Teknologi Bandung（万隆技术大学）；Sorbonne University Abu Dhabi（阿布扎赫尔索邦大学）；Sorbonne Center for Artificial Intelligence（索邦人工智能中心）；Institut Teknologi Sepuluh Nopember（十月份技术大学）；Khalifa University（卡利法大学）
本研究将监督学习拓展至分形集分类与结构分析，以Mandelbrot集和Julia集为对象，证实多种ML模型相比传统阈值法准确率更高、成本更低，还为纯数学研究提供新思路。
2025-08-31 cs.LG nlin.CD
Demystify Protein Generation with Hierarchical Conditional Diffusion Models
University of Tulsa（塔尔萨大学）；Johns Hopkins University（约翰霍普金斯大学）；Indiana University Bloomington（印第安纳大学布卢明顿分校）；Auburn University（阿伯茨维尔大学）
本文提出了一种分层条件扩散模型，整合序列和结构信息，以高效生成功能导向的蛋白质，并引入新的评估指标评估生成质量。
2025-12-03 cs.LG
Conformal Reliability: A New Evaluation Metric for Conditional Generation
Institute of Science and Technology for Brain-Inspired Intelligence（脑启发式智能科学与技术研究院）；Shanghai Innovation Institute（上海创新研究院）；School of Data Science（数据科学学院）；Nanyang Technological University（南洋理工大学）；School of Information Science and Technology（信息科学与技术学院）
提出基于共形预测的可靠性分数作为条件生成模型的新评估指标，并开发CReL框架高效计算该分数，实验证明其有效性和可解释性。
2026-05-29 cs.LG
Distribution Aware Metrics for Conditional Natural Language Generation
University of California, Berkeley（加州大学伯克利分校）；Google Research（谷歌研究院）
用于评估条件自然语言生成的传统自动化度量使用单个生成的文本与最佳匹配的黄金标准地面实况文本之间的成对比较。当多个地面实况可用时，使用跨参考的平均或最大运算来聚合分数。虽然这种方法在地面实况数据的多样性（即，条件文本的分布的分散）可以归因于噪声时工作良好，例如在自动语音识别中，但是在地面实况的多样性表示模型的信号的情况下，它不允许鲁棒的评估。在这项工作中，我们认为，现有的指标是不合适的领域，如视觉描述或总结，地面真理是语义多样的，在这些标题的多样性捕获有用的额外信息的情况下。我们提出了一个新的范例，多候选人的条件语言生成模型的评估，和一个新的家庭的指标，比较使用小样本集的参考和模型生成的字幕集的分布。我们展示了我们的方法的实用性与视觉描述的案例研究：在那里我们表明，现有的模型优化单一描述质量的多样性，并获得一些见解如何采样方法和温度影响描述质量和多样性。
2022-09-29 cs.AI cs.CL cs.CV
A k nearest neighbours classifiers ensemble based on extended neighbourhood rule and features subsets
Abdul Wali Khan University Mardan（阿卜杜勒·瓦利·汗大学马尔丹分校）；United Arab Emirates University（阿联酋大学）
基于kNN的集成方法通过识别给定特征空间中最接近不可见观测的一组数据点来最小化离群值的影响，以便通过使用多数表决来预测其响应。基于kNN的普通集成基于预定义的k值在一个区域（由球体包围）中找出k个最近的观测值。然而，当测试观察遵循具有相同类的最近数据点的模式时，这种情况可能不起作用，这些数据点位于给定球体中不包含的特定路径上。本文提出了一种k近邻集成，其中的邻居是在k个步骤中确定的。从测试点的第一个最近观测开始，算法识别最接近上一步观测的单个观测。在集合中的每个基础学习器处，该搜索在具有从特征空间中选择的特征的随机子集的随机自举样本上扩展到k步。测试点的最终预测类通过在所有基础模型给出的预测类中使用多数投票来确定。这种新的集成方法被应用在17个基准数据集上，并与其他经典方法，包括基于kNN的模型，在分类精度，kappa和Brier得分作为性能指标。箱形图也被用来说明所提出的和其他国家的最先进的方法给出的结果的差异。在大多数情况下，所提出的方法优于其余的经典方法。本文给出了一个详细的模拟研究，为进一步评估。
2022-05-30 cs.LG
Conditional anomaly detection methods for patient-management alert systems
University of Pittsburgh, PA（匹兹堡大学）
本文提出基于实例的条件异常检测方法，通过优化距离度量提升异常检测性能，应用于患者异常入院决策和HPF4检测异常识别。
2026-05-11 cs.LG
Image Data Compression for Covariance and Histogram Descriptors
Washington University in St. Louis（圣路易斯华盛顿大学）；NVIDIA Research（英伟达研究院）
协方差和直方图图像描述符提供了一种有效的方式来捕获有关图像的信息。当与特殊用途的距离度量结合使用时，两者都表现出色。对于协方差描述符，这些度量度量测量沿对称正定矩阵的非欧黎曼流形的距离。对于直方图描述符，地球移动器的距离测量两个直方图之间的最佳传输。虽然更精确，但这些距离度量计算起来非常昂贵，使得它们在许多应用中不切实际，即使对于只有几千个示例的数据集也是如此。在本文中，我们提出了两种方法来压缩的协方差和直方图数据集的大小，只有边际增加的k-最近邻分类的测试误差。具体来说，我们可以将数据集减少到16%，在某些情况下甚至减少到原始大小的2%，同时近似匹配kNN分类在整个训练集上的测试误差。事实上，由于压缩集是以监督的方式学习的，它有时甚至优于完整的数据集，同时只需要一小部分空间并大大减少测试时间计算。
2015-05-23 cs.CV cs.LG stat.ML
Establishing an Evaluation Metric to Quantify Climate Change Image Realism
Stanford University（斯坦福大学）；Mila, Université de Montréal（蒙特利尔大学米拉研究所）
随着受控任务的成功，生成模型越来越多地应用于人道主义应用[1，2]。在本文中，我们专注于评估的条件生成模型，说明气候变化引起的洪水的后果，以鼓励公众对这个问题的兴趣和认识。由于在条件生成模型中不存在用于比较不同模式的真实性的度量，因此我们提出了几种自动化和基于人类的评估方法。为此，我们调整了几个现有的指标，并根据黄金标准的人类评估来评估自动化指标。我们发现，使用Fréchet Inception Distance（FID）与来自辅助分类器之前的中间Inception-V3层的嵌入产生与人类现实主义最相关的结果。虽然不足以单独建立一个人类相关的自动评估指标，我们相信这项工作开始弥合人类和自动生成评估程序之间的差距。
2019-10-22 cs.CV cs.LG stat.ML
Conditions Under Which Conditional Independence and Scoring Methods Lead to Identical Selection of Bayesian Network Models
City University, London（伦敦城市大学）
在处理从数据推断贝叶斯网络结构的任务的论文中，经常提到有两种不同的方法：（i）在测试边缘的存在或其他情况时应用条件独立性测试;（ii）使用评分度量搜索模型空间。在这里，我认为，对于完整的数据和一个给定的节点排序这种分工是一个神话，通过显示，交叉熵方法检查条件独立性是数学上相同的方法的基础上区分模型的整体拟合优度对数得分。
2013-01-10 cs.AI cs.LG stat.ML
Assessment of Conditional Diffusion Model for Synthetic Histopathology Image Generation
本研究针对合成组织病理学图像生成的评估问题，提出基于数字病理学预训练基础模型改进的FID、IS及精确率-召回率指标，实验发现改进后的IS与下游细胞核分割性能相关性更高，且生成数据多样性对分割性能的提升作用强于单张图像视觉保真度。
2026-08-05 cs.LG
Compatibility of Fairness Metrics with EU Non-Discrimination Laws: Demographic Parity & Conditional Demographic Disparity
Hasselt University（哈塞尔特大学）；Université Catholique de Louvain（鲁汶大学）；University of Bologna（博洛尼亚大学）；University of Luxembourg（卢森堡大学）
本研究结合欧盟反歧视法律框架，通过CDD分析DP公平定义与法律反歧视概念的适配性，实验验证带公平约束的分类器可在降偏差的同时适配司法情境解释，为AI决策的法律公平性研究提供了初步依据。
2023-06-14 cs.CY cs.LG
Conditional Loss and Deep Euler Scheme for Time Series Generation
Université Gustave Eiffel（古斯塔夫·埃菲尔大学）；EDF Lab（法国电力实验室）；FiME (Laboratoire de Finance des Marchés de l’Énergie)（能源市场金融实验室）
我们介绍了三个新的生成模型的时间序列的基础上欧拉离散化的随机微分方程（SDES）和Wasserstein度量。其中两种方法依赖于生成对抗网络（GANs）对时间序列的适应。第三种算法称为条件欧拉生成器（CEGEN），其最小化所有时间步长上的转移概率分布之间的专用距离。在伊藤过程的背景下，我们提供了理论保证，最小化这一标准意味着漂移和波动参数的准确估计。我们的经验表明，CEGEN优于国家的最先进的和GAN发电机的边际和时间动态指标。此外，它还能在高维空间中识别出准确的相关结构。当数据点很少时，我们验证了CEGEN的有效性，结合迁移学习方法进行蒙特卡罗模拟。最后，我们说明了我们的方法在各种现实世界的数据集上的鲁棒性。
2021-10-06 cs.LG math.PR stat.AP
Lossy Image Compression with Conditional Diffusion Models
University of California Irvine（加州大学尔湾分校）
本文提出一种基于条件扩散模型的端到端有损图像压缩框架，通过引入“内容”和“纹理”潜在变量实现重建，在FID等感知指标上优于GAN模型，且仅需少量解码步骤即可实现高质量重建。
2024-01-02 cs.CV cs.LG eess.IV
On The Utility of Conditional Generation Based Mutual Information for Characterizing Adversarial Subspaces
National Chung Hsing University（国立中兴大学）；IBM Research（IBM研究院）
最近的研究发现，深度学习系统容易受到对抗性示例的影响;例如，视觉上不可识别的对抗图像可以容易地被制作以导致错误分类。神经网络的鲁棒性已经在敌手检测的背景下被广泛研究，敌手检测比较了在自然和敌手示例之间表现出强区分能力的度量。在本文中，我们提出了通过镜头的互信息（MI）的条件生成方法近似的敌对子空间的特征。我们使用MI作为一个信息理论的度量，以加强现有的防御和提高性能的对手检测。在MagNet防御系统上的实验结果表明，该检测器能够有效地提高对强大对抗攻击的鲁棒性.
2018-09-24 cs.CR cs.CV cs.LG
Unveiling the Potential of Robustness in Selecting Conditional Average Treatment Effect Estimators
The Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）
针对现有CATE估计器选择方法需拟合nuisance参数、未聚焦鲁棒性选择的问题，本文提出无nuisance依赖的分布鲁棒指标DRM，可有效选出对协变量偏移、隐藏混杂引发的分布偏移鲁棒的CATE估计器。
2024-10-31 cs.AI cs.LG econ.EM
Improving Image Captioning with Conditional Generative Adversarial Nets
Tencent AI Lab（腾讯人工智能实验室）
在本文中，我们提出了一种新的条件生成对抗网为基础的图像描述框架作为传统的基于学习（RL）的编码器-解码器架构的扩展。为了解决不同客观语言度量之间的不一致评价问题，我们设计了一些“自适应”网络来自动和渐进地确定生成的字幕是人类描述的还是机器生成的。介绍了两种神经网络结构（CNN和基于RNN的结构），因为每种结构都有自己的优点。该算法是通用的，因此它可以增强任何现有的基于RL的图像描述框架，我们表明，传统的RL训练方法只是我们的方法的一个特例。从经验上讲，我们表现出一致的改进，在所有的语言评价指标不同的国家的最先进的图像描述模型。此外，训练良好的鉴别器也可以被看作是客观的图像描述评估器
2019-02-13 cs.CV cs.LG
Conditional GraphGANFed: Optimizing Graph-Structured Molecule Generation in Federated Generative Adversarial Networks
本文针对GraphGANFed无法按用户定义指标生成分子的问题，提出cGraphGANFed模型，引入评判网络整合评估结果优化生成器，经实验证实其在多指标优化、QED提升及抗非IID数据干扰上表现更优。
2026-08-26 cs.DC cs.LG
Time Weaver: A Conditional Time Series Generation Model
Department of Electrical and Computer Engineering, The University of Texas at Austin, Austin, USA（电子与计算机工程系，德克萨斯大学奥斯汀分校，奥斯汀，美国）
针对现有时间序列生成方法忽略异构元数据、评估指标存在缺陷的问题，该研究提出基于扩散的TIME WEAVER模型，利用多类型元数据提升生成效果，并设计新评估指标，在多类真实数据集上性能超越SOTA基准最高达30%。
2025-10-29 cs.LG eess.SP
Bi-Discriminator Class-Conditional Tabular GAN
École de Technologie Supérieure (ÉTS), Université du Québec（魁北克大学高等技术学院）；IVADO Institution（IVADO研究所）；The Fédération des Caisses Desjardins du Québec（魁北克加鼎银行联合会）；École Polytechnique de Montréal（蒙特利尔理工学院）；McGill University（麦吉尔大学）
本文介绍了一种双列GAN，用于合成包含连续、二元和离散列的表格数据集。我们所提出的方法采用了自适应的预处理方案和一个新的条件项的生成器网络，以更有效地捕捉输入样本分布。此外，我们实现了简单而有效的架构，旨在提供更多的判别梯度信息的生成器的神经网络。我们在四个基准公共数据集上的实验结果证实了我们的GAN在似然适应度度量和机器学习功效方面的优越性能。
2021-12-02 cs.LG
Objective Evaluation of Prosody and Intelligibility in Speech Synthesis via Conditional Prediction of Discrete Tokens
Center for Language and Speech Processing (CLSP), Johns Hopkins University（语言与语音处理中心（CLSP），约翰·霍普金斯大学）；National University of Singapore（新加坡国立大学）
本文提出TTScore，一种基于条件预测离散语音令牌的无参考评估框架，用于更准确地评估语音合成的语调和可懂性。
2026-01-19 cs.LG cs.SD eess.AS
Synthesizing EEG Signals from Event-Related Potential Paradigms with Conditional Diffusion Models
Donders Institute for Brain, Cognition and Behaviour, Radboud University（拉德堡德大学邓德斯脑、认知与行为研究所）；OnePlanet Research Center, imec-the Netherlands（荷兰OnePlanet研究中心、imec荷兰分部）
针对脑机接口领域EEG数据稀缺及现有扩散模型采样灵活性不足等问题，提出采用无分类器引导的条件扩散模型，可直接生成多维度特定的EEG数据，经多指标验证生成数据与真实数据相似。
2024-03-27 cs.AI cs.LG eess.SP
