NeurIPS

Kernel PCA for Out-of-Distribution Detection: Non-Linear Kernel Selection and Approximation

用于分布外检测的核主成分分析：非线性核选择与近似

Kun Fang, Qinghua Tao, Mingzhen He, Kexin Lv, Runze Yang, Haibo Hu, Xiaolin Huang, Jie Yang, Longbing Cao

机构 * Department of Automation, Shanghai Jiao Tong University（上海交通大学自动化系） ； Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University（香港理工大学电子与电气工程系） ； School of Automation, Beijing Institute of Technology（北京理工大学自动化学院） ； China Mobile (Shanghai) Information and Communication Technology Co., Ltd.（中国移动（上海）信息技术有限公司） ； School of Computing, Macquarie University（麦考瑞大学计算机学院） 纠错

AI总结 研究针对深度神经网络分布外检测问题，利用核主成分分析框架，通过选择余弦 - 高斯核及近似技术，有效刻画分布外与分布内数据差异，提高检测功效和效率，为非线性特征子空间检测提供新见解与方法。

Comments This study is an extension of its conference version published in NeurIPS'24, see https://proceedings.neurips.cc/paper_files/paper/2024/hash/f2543511e5f4d4764857f9ad833a977d-Abstract-Conference.html

Applying Deep Reinforcement Learning to the HP Model for Protein Structure Prediction

将深度强化学习应用于HP模型进行蛋白质结构预测

Kaiyuan Yang, Houjing Huang, Olafs Vandans, Adithya Murali, Fujia Tian, Roland H. C. Yap, Liang Dai

机构 * Department of Computer Science, School of Computing, National University of Singapore（新加坡国立大学计算机科学系） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； NVIDIA Seattle Robotics Lab（NVIDIA西雅图机器人实验室） ； Department of Physics, City University of Hong Kong（香港城市大学物理系） 纠错

AI总结 本研究利用深度强化学习解决HP模型中的蛋白质结构预测问题，通过深度Q网络和LSTM架构提升搜索效率，找到多个最佳解。

Comments Published at Physica A: Statistical Mechanics and its Applications, available online 7 December 2022. Extended abstract accepted by the Machine Learning and the Physical Sciences workshop, NeurIPS 2022

Journal ref Physica A: Statistical Mechanics and its Applications 609 (2023) 128395

Spectral Diffusion Processes

谱扩散过程

Angus Phillips, Thomas Seror, Michael Hutchinson, Valentin De Bortoli, Arnaud Doucet, Emile Mathieu

机构 * University of Oxford（牛津大学） ； ENS, CNRS, PSL University Paris（巴黎高等师范学院、国家科学研究中心、巴黎大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 研究将扩散模型应用于函数空间上的随机过程，通过谱表示分离随机部分与时空结构，用有限维扩散模型建模谱系数，经截断确保模型有效性，投影回原空间对应相关噪声扩散模型，还展示了方法在多模态数据建模及条件采样上的有效性。

Comments This version (v3) extends the previous workshop version (v2) with conditional sampling and theoretical results. Work carried out in 2022/23. V2 appeared in Score-based Methods Workshop at the 36th Conference on Neural Information Processing Systems (NeurIPS 2022)