标签
本文提出使用单位超球面上的von Mises-Fisher分布混合模型来建模CLIP潜在空间，比高斯假设更好地捕捉其方向性和多模态结构。该模型改善了长尾分布和分布外检测，并提供了CLIP嵌入的语义分解。
RGLD结合全局随机特征密度估计与局部邻域分析，实现高效的无监督表格异常检测。在47个数据集上取得了顶尖的AUROC性能，同时比深度检测器快50倍至580倍。
DiScoFormer是一个单一的Transformer模型，能够仅通过一次前向传播，从一组数据点中同时估计分布的密度和分数，无需重新训练，克服了以往方法在泛化性和准确性之间的权衡。
本文介绍了CALHippo，一个利用最先进的分割和密度估计模型对人脑海马体中的神经元和胶质细胞进行3D映射的框架。
介绍 GORMPO，一种密度正则化的离线强化学习算法，使用生成式密度建模将策略更新限制在高密度区域，在真实世界医疗数据集上实现17%的提升，并超越最先进的基线模型。
本文提出了 PCNet，这是一种在大型语言模型（LLM）残差流上训练为可计算密度估计器的概率电路，用于将幻觉检测为几何异常。同时，本文还引入了 PC-LDCD，一种仅在生成幻觉 token 时才进行干预的动态修正方法，实现了近乎完美的检测率并降低了错误修正率。
FFJORD 引入了一种可扩展的可逆生成模型，使用连续动力学和 Hutchinson 迹估计器实现无偏对数密度估计，无需架构约束。该方法在密度估计和图像生成方面达到了最先进的结果，同时保持高效的采样。