Saddle-Free Guidance: Improved On-Manifold Sampling without Labels or Additional Training
Pacific Northwest National Laboratory(太平洋西北国家实验室)
无鞍点指导通过利用对数密度估计的正曲率,无需标签或额外训练,提升基于分数模型在流形上的采样效果。
2025-11-26 cs.CV cs.LG stat.ML
Learning Distributions on Manifolds with Free-Form Flows
Heidelberg University(海德堡大学)
本文提出流形自由形式流(M-FFF),通过将自由形式流框架适配到黎曼流形,实现单次函数求值采样,在匹配或超越特定流形单步方法的同时,比多步方法快约两个数量级。
2024-11-25 cs.LG stat.ML
Variational Diffusion Autoencoders with Random Walk Sampling
Yale University(耶鲁大学);Duke University(杜克大学);University of California San Diego(加州大学圣迭戈分校)
变分自编码器(VAE)和生成对抗网络(GANs)与流形学习有着直观的联系:在训练中,解码器/生成器被优化以近似数据分布和采样空间之间的同胚。这是一个努力定义数据流形的构造。然而,VAE和GANs的一个主要障碍是选择一个匹配数据拓扑的合适先验。众所周知的后果,挑选不良的先验是后验和模式坍塌。据我们所知,没有现有的方法回避这个用户的选择。相反,$\textit{diffusion maps}$自动推断数据拓扑,并与流形学习有严格的联系,但不容易扩展或提供逆同胚(即解码器/生成器)。我们提出了一种方法,将这些方法组合成一个生成模型,继承了$\textit{diffusion maps}$的渐近保证,同时保留了深度模型的可扩展性。我们证明了我们所提出的方法的尺寸依赖的近似理论结果。最后,我们证明了我们的方法与各种真实和合成数据集的有效性。
2020-08-27 cs.LG stat.ML
Generating and Aligning from Data Geometries with Generative Adversarial Networks
Yale University(耶鲁大学)
近年来,由于基于循环一致性假设的模型的成功,无监督域映射吸引了大量的关注。这些模型通过欺骗概率分布图在两个域之间进行映射,从而匹配真实数据和生成数据的概率分布。而不是这种概率的方法,我们投的问题对齐的几何形状的流形的两个域。我们引入了流形几何匹配生成对抗网络(MGM GAN),它增加了两种新的机制来促进GANs从流形的几何而不是密度采样,然后对齐两个流形几何:(1)重要性采样技术,其基于点在流形上的密度对点重新加权,使得流形只能辨别几何形状,以及(2)从传统流形对准文献中修改的惩罚,其明确地强制几何形状被保留。MGM GAN利用预先训练的自动编码器产生的流形来弥合正式流形对齐文献和现有GAN工作之间的差距,并展示了在其密度上建模流形几何形状的优势。
2019-01-24 cs.LG stat.ML
MCCE: Monte Carlo sampling of realistic counterfactual explanations
Norwegian Computing Center(挪威计算中心)
提出面向表格数据的 MCCE 方法,利用决策树条件分布的自回归模型和蒙特卡洛采样生成有效、真实且可操作的反事实,并在四个数据集上全面超越现有流形上方法。
2024-01-25 cs.LG stat.ML
Temporal Alignment Guidance: On-Manifold Sampling in Diffusion Models
KAIST AI(韩国科学技术院人工智能研究院)
针对扩散模型生成过程中因施加任意引导导致偏离流形并破坏样本保真度的问题,提出时间对齐引导机制(TAG),利用时间预测器估计偏差并在各时间步将样本引导回期望流形,显著提升生成质量。
2025-10-13 cs.AI cs.LG
Improving Diffusion Models for Inverse Problems using Manifold Constraints
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Kim Jaechul Graduate School of AI(金在哲人工智能研究生院)
针对现有扩散模型逆问题求解器易偏离数据流形、误差累积的问题,提出基于流形约束的校正项,可与原有方法协同提升性能,在多类图像逆任务中效果更优。
2024-05-20 cs.AI cs.CV cs.LG
Missing Data Imputation under Manifold Hypothesis
School of Mathematics & Statistics(数学与统计学系)
针对高维缺失数据补全问题,基于流形假设与混合变分自编码器,采用SIR采样结合潜空间扩散模型实现符合底层几何结构的缺失值补全,性能优异且可量化不确定性、支持动态补全。
2026-09-16 cs.LG stat.ML
Score Distillation Sampling with Learned Manifold Corrective
Google Research(谷歌研究院)
本文分析了分数蒸馏采样损失中导致噪声梯度的固有问题,提出训练浅层网络模拟扩散模型的频率偏置以校正损失,并通过图像合成、编辑和文本到三维等实验验证了其有效性。
2024-07-04 cs.CV
Categorical Flow Matching on Statistical Manifolds
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Peking University(北京大学)
统计流匹配通过几何视角在统计流形上实现精确似然计算,提升复杂模式学习能力。
2025-11-25 cs.LG stat.ML
Manifold-Aligned Generative Transport
School of Statistics, University of Minnesota(统计学系,明尼苏达大学)
MAGT通过流形对齐生成传输方法,在单次前向传递中实现高效生成,提升生成样本的保真度和流形集中度,同时比扩散模型更快。
2026-09-10 cs.LG stat.ML
Manifold-Constrained Noise Optimization for Diverse Diffusion Sampling
研究如何在推理时优化初始噪声以恢复几步蒸馏扩散模型的提示多样性。提出MoNO方法,在低维噪声流形上进行流形约束噪声优化,能大步长更新且无需辅助目标,实验表明该方法可保持图像质量并提升提示多样性。
2026-07-28 cs.CV
GRAM: Generative Radiance Manifolds for 3D-Aware Image Generation
Tsinghua University(清华大学);Microsoft Research Asia(微软亚洲研究院);USTC(中国科学技术大学)
3D感知图像生成建模旨在生成具有显式可控相机姿态的3D一致图像。最近的工作通过在非结构化的2D图像上训练神经辐射场(NeRF)生成器显示了有希望的结果,但是仍然不能生成具有精细细节的高度真实感的图像。一个关键的原因是体积表示学习的高存储器和计算成本极大地限制了训练期间用于辐射积分的点样本的数量。不足的采样不仅限制了生成器处理细节的表达能力,而且由于不稳定的蒙特卡罗采样引起的噪声而阻碍了有效的GAN训练。我们提出了一种新的方法,调节点采样和辐射场学习的2D流形,体现为一组学习的隐式表面在3D体积。对于每一条观察光线,我们计算光线与曲面的交点,并累积网络生成的辐射。通过训练和渲染这种辐射流形,我们的生成器可以生成具有逼真细节和强大视觉3D一致性的高质量图像。
2022-08-23 cs.CV
Constrained Diffusion with Trust Sampling
Stanford University(斯坦福大学)
本文提出一种名为信任采样的无训练约束优化方法,通过在扩散模型推理中沿代理约束梯度多步采样并结合状态流形提前终止机制,有效平衡了无条件扩散与损失引导,显著提升了图像与3D运动生成的质量。
2024-11-17 cs.CV cs.LG
Exploring Time Conditioning in Diffusion Generative Models from Disjoint Noisy Data Manifolds
SGIT AI Lab(SGIT人工智能实验室);UTokyo(东京大学);HKUST(香港科技大学);UCSD(加州大学圣地亚哥分校);ZJUT(浙江工业大学);Baidu(百度);RIKEN AIP(日本理化学研究所AIP)
本文从几何视角重新审视扩散模型中的时间条件作用,发现高维空间中噪声分布集中在低维流形上,通过调整DDIM前向过程并结合流匹配方法,证明无需时间条件即可生成高质量内容。
2026-04-28 cs.CV cs.LG
Score-Regularized Joint Sampling with Importance Weights for Flow Matching
University of California San Diego(加州大学圣地亚哥分校)
针对流匹配模型在有限采样预算下估计函数期望难的问题,提出非IID采样框架,用分数正则化平衡多样性与质量,还开发非IID流样本重要性加权方法,提升了流匹配模型输出的可靠表征。
2026-07-07 cs.AI cs.CV cs.LG
$Z^2$-Sampling: Zero-Cost Zigzag Trajectories for Semantic Alignment in Diffusion Models
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Griffith University & Data61/CSIRO(格里菲斯大学及Data61/CSIRO)
本文提出$Z^2$-采样,通过隐式代数坍缩与动态缓存的时间语义代理,实现零成本zigzag轨迹,提升采样效率并保持语义探索。
2026-04-26 cs.CV
Generative Learning of Densities on Manifolds
Dept. of Civil and Systems Engineering Johns Hopkins University(土木与系统工程系约翰·霍普金斯大学);Dept. of Chemical and Biomolecular Engineering Johns Hopkins University(化学与生物分子工程系约翰·霍普金斯大学);Dept. of Civil and Environmental Engineering Dept. of Aerospace and Mechanical Engineering University of Southern California(土木与环境工程系航空航天与机械工程系美国南加州大学);Dept. of Chemical and Biomolecular Engineering Dept. of Applied Mathematics and Statistics Johns Hopkins University(化学与生物分子工程系应用数学与统计学系约翰·霍普金斯大学)
提出一种结合扩散模型与流形学习的生成框架,利用扩散映射发现潜在空间并采样,实现高维数据在低维流形上的密度生成。
2025-04-19 cs.LG
EquiReg: Equivariance Regularized Diffusion for Inverse Problems
University of Alberta(阿尔伯塔大学);Alberta Machine, Intelligence Institute (Amii)(阿尔伯塔机器智能研究所);Neuroscience and Mental Health Institute, University of Alberta(阿尔伯塔大学神经科学与心理健康研究所);New York University(纽约大学);California Institute of Technology(加州理工学院);University of Oxford(牛津大学)
EquiReg通过正则化扩散模型提升逆问题求解,有效引导采样向保持对称性的区域,提升图像修复和偏微分方程求解质量。
2026-09-01 cs.AI cs.LG
Learning Through Energy Refinement and Manifold Projection: A Cooperative EBM-AE Framework
Hydro-Québec(魁北克水电公司)
提出协同EBM-AE框架,通过Langevin采样与自编码器流形投影交替精炼,联合训练提升生成质量,并在图像修复中验证流形投影主导重建、能量精炼补充优化,实现生成、重建与分布外检测的统一。
2026-09-15 cs.LG
Mining the manifolds of deep generative models for multiple data-consistent solutions of ill-posed tomographic imaging problems
Washington University in St. Louis(圣路易斯华盛顿大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
层析成像一般是一个不适定的反问题。通常,从断层摄影测量获得所寻找的对象的单个正则化图像估计。然而,可能存在全部与相同测量数据一致的多个对象。生成这种替代解决方案的能力是重要的,因为它可以实现成像系统的新评估。原则上,这可以通过后验抽样方法来实现。近年来,深度神经网络已被用于后验采样,并取得了可喜的成果。然而,这样的方法还没有用于大规模层析成像应用。另一方面,经验采样方法对于大规模成像系统可能在计算上是可行的,并且能够对实际应用进行不确定性量化。经验采样涉及在随机优化框架内求解正则化逆问题,以获得替代数据一致性解决方案。在这项工作中,提出了一种新的经验采样方法,计算多个解决方案的层析成像逆问题是一致的,与相同的采集测量数据。该方法通过在基于风格的生成对抗网络(StyleGAN)的潜在空间中重复解决优化问题来操作,并受到为超分辨率任务开发的潜在空间探索(PULSE)方法的启发。所提出的方法进行了论证和分析,通过数值研究,涉及两个程式化的断层成像方式。这些研究建立了该方法进行有效的经验采样和不确定性量化的能力。
2022-07-26 cs.CV eess.IV
Sampling Data with Chains of Forward-Backward Diffusion Steps
Johns Hopkins University(约翰霍普金斯大学);EPFL(瑞士联邦理工学院);University of Göttingen(哥廷根大学)
提出U-turn链,通过扩散模型的短前向-反向步骤迭代构造马尔可夫链,结合Metropolis-Hastings校正从能量修正目标中采样,并发现最小U-turn动力学经历由数据流形碎片化驱动的遍历性破缺相变。
2026-05-26 cond-mat.dis-nn cs.LG stat.ML
Guided Path Sampling: Steering Diffusion Models Back on Track with Principled Path Guidance
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));Griffith University\&Data61/CSIRO(格里菲斯大学与Data61/CSIRO)
引导路径采样通过原理性路径引导提升扩散模型的稳定性和生成质量,优于现有方法。
2025-12-28 cs.CV
Sampling Generative Networks
Victoria University of Wellington(惠灵顿维多利亚大学)
我们介绍了几种技术的采样和可视化生成模型的潜在空间。用球面线性插值替换线性插值可防止偏离模型的先验分布,并生成更清晰的样本。J-Diagrams和MINE grids被引入作为由类比和最近邻创建的流形的可视化。我们展示了两种新的技术,用于获得属性向量:偏差校正向量与数据复制和合成向量与数据增强。使用属性向量的二进制分类作为一种技术,支持定量分析的潜在空间。大多数技术旨在独立于模型类型,并且在变分自编码器和生成对抗网络上都显示了示例。
2016-12-06 cs.LG cs.NE stat.ML
Unbiased Image Synthesis via Manifold Guidance in Diffusion Models
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对扩散模型生成图像存在属性偏差的问题,提出即插即用的无监督流形引导采样方法,无需修改模型或额外训练即可有效缓解偏差,提升生成图像质量与无偏性。
2024-04-15 cs.CV
Improving the Euclidean Diffusion Generation of Manifold Data by Mitigating Score Function Singularity
Center for Data Science, Peking University(北京大学数据科学中心);Zuse Institute Berlin(柏林泽尼茨研究所);Center for Machine Learning Research, Peking University(北京大学机器学习研究中心);LMAM and School of Mathematical Sciences, Peking University(北京大学数学科学学院)
本文提出Niso-DM和Tango-DM方法,通过缓解分数函数的奇异性和改进欧几里得扩散生成流形数据的准确性。
2026-01-05 cs.LG
Selective Sampling and Mixture Models in Generative Adversarial Networks
University of Stuttgart(斯图加特大学)
在本文中,我们提出了对抗训练框架的多生成器扩展,其中每个生成器的目标是表示目标混合分布的唯一分量。在训练阶段,生成器合作以将目标分布表示为混合物,同时保持不同的流形。与传统的生成模型相反,在训练后从特定生成器进行的推断类似于从目标分布中的唯一分量进行的选择性采样。我们证明了所提出的架构的可行性分析和基本的多层感知器(MLP)模型上训练的MNIST数据集。
2018-02-02 cs.LG
Riemannian MeanFlow for One-Step Generation on Manifolds
School of Software, Shandong University, Jinan, China(软件学院,山东大学,济南,中国)
本文提出Riemannian MeanFlow(RMF),通过平行运输定义平均速度场,并推导出将平均速度与瞬时速度联系起来的Riemannian MeanFlow恒等式,从而实现流形上基于位置的切空间中的单步生成,改进了生成质量与效率的权衡并降低了采样成本。
2026-06-18 cs.LG
Protein Discovery with Discrete Walk-Jump Sampling
Prescient Design(普雷赛特设计公司);Genentech(基因泰克公司);New York University(纽约大学)
本文提出离散 Walk-Jump Sampling,用单噪声水平的平滑能量建模、Langevin MCMC 与一步去噪实现抗体蛋白质生成,并以分布一致性分数显著提升实验成功率和结合亲和力。
2024-03-15 cs.LG q-bio.BM
Diverse Landmark Sampling from Determinantal Point Processes for Scalable Manifold Learning
MIT(麻省理工学院);Harvard Medical School(哈佛医学院)
流形学习的高计算成本限制了其在大型点集上的应用。克服这个问题的一个常见策略是对选定的地标进行降维,并使用Nyström方法连续嵌入整个数据集。出现的两个主要挑战是:(i)在非欧几里德几何中选择的地标必须导致低重建误差,(ii)从稀疏采样地标构建的图必须很好地近似流形。我们提出了从非欧几里德空间的行列式分布的地标采样。由于目前的行列式采样算法具有相同的复杂度为流形学习,我们提出了一个有效的近似运行在线性时间。此外,我们通过为每个地标分配从原始点集估计的局部协方差矩阵来恢复稀疏化后的局部几何形状。基于Bhattacharyya距离的邻域选择改进了稀疏采样流形的嵌入。我们的实验表明,一个显着的性能改善相比,国家的最先进的地标选择技术。
2015-03-11 cs.AI cs.CV cs.LG
Jeffrey's prior sampling of deep sigmoidal networks
Cornell University(康奈尔大学)
神经网络已经被证明具有揭示数据中的低维结构的显着能力:可能的重建图像的空间在图像空间中形成简化的模型流形。我们通过分析深度信念网络和使用蒙特卡洛采样的堆叠去噪自动编码器学习的流形来直接探索这个想法。模型流形形成了一个只有轻微拉长的超球,实际重建数据主要出现在流形的边界上。结合本文的结果,我们讨论了高维流形的采样问题以及最近的工作[M。Transtrum,G. Hart和P.Qiu,提交(2014)]讨论了高维几何和模型简化之间的关系。
2017-05-25 cond-mat.dis-nn cs.CV
Parzen Window Approximation on Riemannian Manifold
Indian Institute of Information Technology, Allahabad(印度阿拉哈巴德信息技术学院)
在图动机学习中,标签传播在很大程度上取决于表示为连接数据点之间的边的数据亲和力。亲和性分配隐含地假设流形上的数据均匀分布。该假设可能不成立,并且可能由于向高密度区域漂移而导致不准确的度量分配。漂移影响基于热核的亲和力与全局固定的Parzen窗口要么放弃真正的邻居或迫使遥远的数据点成为邻居的成员。这产生了有偏的亲和矩阵。在本文中,由于不均匀的数据采样的黎曼流形上的偏差是迎合由一个可变的Parzen窗口确定为一个函数的邻域大小,环境尺寸,平坦度范围等,此外,亲和调整使用抵消的影响不均匀的采样负责的偏差。提出了一种亲和度度量,它考虑了不规则采样效应,以产生准确的标签传播。在合成数据集和真实数据集上的大量实验证实,该方法显着提高了分类精度,并优于图拉普拉斯流形正则化方法中现有的Parzen窗口估计。
2020-12-29 cs.CV cs.LG
Geometry-Correct Diffusion Posterior Sampling with Denoiser-Pullback Curvature Guidance and Manifold-Aligned Damping
Department of Electrical and Computer Engineering, Inha University, Incheon, 22212, South Korea(电气与计算机工程系,Inha大学,Incheon,22212,韩国)
提出一种基于去噪器回拉曲率引导和流形对齐阻尼的几何校正扩散后验采样方法,通过每噪声水平的阻尼高斯-牛顿校正替代标量引导,实现稳定高效的后验采样。
2026-05-27 cs.AI cs.CV cs.LG
DIMAL: Deep Isometric Manifold Learning Using Sparse Geodesic Sampling
Technion - Israel Institute Of Technology(以色列理工学院)
本文探索了一种完全无监督的深度学习方法,用于计算距离保持映射,为某类流形生成低维嵌入。我们使用暹罗配置训练一个神经网络,以解决最小二乘多维缩放的问题,生成地图,近似保持测地距离。通过仅使用几个地标进行训练,与类似的非参数对应物相比,我们显示了等距映射的显着改进的局部和非局部泛化。重要的是,深度学习框架与多维缩放目标的结合使网络架构的数值分析能够帮助理解其表示能力。这为深度学习的普遍性提供了几何视角。
2018-11-13 cs.CV
Manifold Path Guiding for Importance Sampling Specular Chains
Nanjing University(南京大学);University of Utah(犹他大学);Zhejiang University(浙江大学);Zhejiang Lab(之江实验室);University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校)
针对蒙特卡洛渲染中镜面链导致的无偏估计难题,提出首个通用框架“流形路径引导”,通过流形游走重要性采样离散镜面链,实现高达40倍方差降低。
2023-09-24 cs.CV cs.GR
Robust Mesh Saliency Ground Truth Acquisition in VR via View Cone Sampling and Manifold Diffusion
Shanghai Jiao Tong University(上海交通大学);Beijing University of Chemical Technology(北京化工大学);Nantes University(南特大学)
本文提出一种鲁棒框架,通过视锥采样和混合流形-欧几里得约束扩散算法,解决VR中3D网格显著性真实值获取的鲁棒性问题,提升下游任务性能。
2026-04-08 cs.CV cs.MM
Deep Active Learning with Manifold-preserving Trajectory Sampling
The University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);HPE(慧与科技);Chaitanya Bharathi Institute of Technology(查塔亚巴拉蒂技术学院)
针对深度主动学习中已标注数据占比低导致的选择偏差问题,本文提出流形保持轨迹采样(MPTS)方法,通过MMD分布映射使特征空间更准确表示流形,并在视觉与非视觉基准数据集上验证了其优越性。
2024-10-21 cs.AI cs.CV
Manifold Sampling for Differentiable Uncertainty in Radiance Fields
Max-Planck-Institut für Informatik(马克斯·普朗克信息学研究所);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Meta Codec Avatars Lab(Meta编解码器化身实验室)
提出一种通用的 Gaussian radiance fields 不确定性学习方法,将不确定性建模为参数空间中的低维流形并进行 Monte Carlo 采样,实现了可微估计以优化后续捕获,在 next-best-view 规划等任务上达到 SOTA。
2024-09-19 cs.CV cs.GR
HULC: 3D Human Motion Capture with Pose Manifold Sampling and Dense Contact Guidance
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
基于场景交互的无标记单目三维人体运动捕捉技术是延展实境、机器人学和虚拟化身生成等领域的一个具有挑战性的研究课题。由于单目设置的固有深度模糊性,用现有方法捕获的3D运动通常包含严重的伪影,例如不正确的身体场景相互穿透、抖动和身体浮动。为了解决这些问题,我们提出了HULC,一种新的方法,三维人体运动捕捉是知道的场景几何。HULC估计3D姿势和密集的身体-环境表面接触,以改进3D定位,以及受试者的绝对比例。此外,我们介绍了一个3D姿态轨迹优化的基础上,解决错误的身体环境相互渗透的一种新的姿势流形采样。虽然与现有的场景感知单目MoCap算法相比,所提出的方法需要较少的结构化输入,但它产生了更多的物理上合理的姿势:HULC在各种实验和不同的度量中显着且一致地优于现有的方法。项目页面:https://vcai.mpi-inf.mpg.de/projects/HULC/。
2022-07-26 cs.CV cs.GR cs.HC
CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification
Federal University of São Carlos(圣卡洛斯联邦大学)
介绍基于q态Potts马尔可夫随机场模型的监督分类自适应数据选择框架CuBAS,通过局部曲率编码数据分布几何复杂性,构建训练子集,实验证明其优于随机采样和基于不确定性的基线。
2026-07-07 cs.AI cs.CV cs.IT
Discretization of Parametrizable Signal Manifolds
Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
信号的变换不变分析通常需要计算从测试模式到变换流形的距离。特别地,变换后的查询信号与表示不同类别的若干变换流形之间的距离的估计为信号的分类提供了必要的信息。在许多应用中,到流形的精确距离的计算是昂贵的,而一个有效的实际解决方案是在流形网格的帮助下近似流形距离。在本文中,我们考虑一个设置与已知的参数化的变换流形。首先,我们提出了一个算法,从一个单一的歧管,允许选择样本,以尽量减少平均误差的歧管距离估计。然后,我们提出了一种方法的联合离散化的多个流形,代表不同的信号类,在那里我们优化的变换不变的分类精度所产生的离散流形表示。实验结果表明,通过最小化流形距离估计误差对每个流形进行单独采样,在配准和分类精度方面优于基线采样解决方案。对所有样本执行额外的联合优化进一步提高了分类性能。此外,给定要从所有流形中选择的样本的固定总数,与样本的相等分布相比,根据不同流形的几何结构将样本不对称地分布到不同流形也可以增加分类精度。
2011-12-23 cs.CV
Sampling Based On Natural Image Statistics Improves Local Surrogate Explainers
Universidad Politécnica de Madrid(马德里理工大学);University of Bristol(布里斯托大学)
计算机视觉中的许多问题最近都是使用预测不容易解释的模型来解决的,最常见的是深度神经网络。替代解释器是一种流行的事后可解释性方法,用于进一步理解模型如何达到特定的预测。通过训练一个简单的,更可解释的模型来局部近似不可解释系统的决策边界,我们可以估计输入特征对预测的相对重要性。专注于图像,代理解释者,例如,LIME,通过在可解释域中采样来生成查询图像周围的局部邻域。然而,这些可解释域传统上仅从查询图像的内在特征导出,而不考虑不可解释模型在训练中暴露的数据的流形(或更一般地,真实图像的流形)。这导致在潜在的低概率图像上训练的次优代理。我们通过将替代训练的局部邻域与原始训练数据分布对齐来解决这个限制,即使这个分布是不可访问的。我们提出了两种方法来做到这一点,即(1)改变局部邻域的采样方法和(2)使用感知度量来传达自然图像分布的一些属性。
2022-08-08 cs.AI cs.CV cs.LG
On Deterministic Sampling Patterns for Robust Low-Rank Matrix Completion
Columbia University(哥伦比亚大学);Purdue University(普渡大学)
在这封信中,我们研究了确定性采样模式的低秩矩阵的完成,当破坏与稀疏噪声,也被称为鲁棒矩阵完成。我们推广了最近的结果确定性抽样模式的基础上的几何分析的格拉斯曼流形上的噪音。一个特殊的情况下,每列有一定数量的噪声条目被认为是,我们的概率分析执行非常有效。此外,假设原始矩阵的秩没有给出,我们提供了一个分析,以确定是否一个有效的完成的秩确实是与稀疏噪声损坏的数据的实际秩通过验证一些条件。
2017-12-05 cs.CV cs.IT cs.LG