标签
本文提出了一种摊销框架，用于在对数得分下学习核密度估计中的带宽选择，并在多种采样场景中显示出相较于经典方法的一致性能提升。
本文提出了一种新颖的无监督数据增强方法，结合高斯混合模型和大语言模型，通过为代表性不足的聚类生成合成文档，改善不平衡文本数据集上的聚类效果。
本文发现了轨迹预测模型中训练（赢者通吃损失）与推理之间的不匹配，导致模式概率缺乏信息。它提出了使用后验加权合并和一步EM更新的事后处理方法，以提高模式排序和预测准确性，无需重新训练。
Flash-GMM 引入了一个用于高斯混合模型的融合Triton内核，实现了20倍加速，并能在单个GPU上训练比之前大100倍的数据集，使软聚类成为近似最近邻搜索中k-means的可行替代方案。
本文提出了一种使用高斯混合模型对平面曲线进行概率多边形表示的方法，该方法保留了局部切线、法线和弧长信息，并在法线方向上编码了不确定性。该框架适用于各种平面曲线，并支持面向CAD、机器人和轨迹规划的不确定性感知几何建模。