标签
PR-Smoother是一种用于数据同化的摊销平滑器，通过学习未来条件的修正来保持预设的模拟器，以捕获非高斯后验。它适用于高维系统，并仅从观测中支持联合状态、参数和传感器偏差推断。
本文提出了一种动态聚合增强的高效全局优化算法（DA-EGO），用于解决高维涡轮机械设计问题，并通过基准测试和气动应用进行了验证。
本文介绍了GRAPE，这是一个用于查询高效的高维贝叶斯优化的两阶段框架，通过优化梯度后验并基于预期进展选择更新方向，在对抗性攻击和大语言模型提示优化中展示了优越的性能。
本文提出了一种用于高维非参数变点检测的低秩二阶密度投影方法，通过矩阵均值估计来处理分布变化，无需参数假设。
本文提出一种加速高维函数深度神经网络训练的方法，通过引入上下文特征（包括来自分解预训练DNN的秩1特征和张量特征），并利用随机张量分解将存储成本降低数个数量级。
本文提出了一种可扩展的方法，用于在高维系统中端到端学习安全反馈控制器，通过将基于控制障碍函数的安全滤波器嵌入为优化层，并利用算子分裂和无雅可比反向传播来克服计算瓶颈。
提出了一种将图嵌入高维空间并搜索信息性二维视角的方法，这些视角优化了美学和可读性指标（例如边交叉和角分辨率），这得益于一种新颖的边交叉可微替代方法。引入了一个交互式系统DataFly，用于探索多个候选视角。
本文介绍了一种无模型深度学习方法，用于求解具有未知系数的高维非线性偏微分方程，该方法使用从扰动蒙特卡洛轨迹中推导出的零阶导数估计器。该方案避免了自动微分，提供了理论误差界，并在数值实验中展示了具有竞争力的性能。
介绍了 HDD-RoPE，这是旋转位置编码的一种扩展，它使用高维块和数据相关的旋转速率，在 TinyStories 数据集上显示出比 xPos 更快的收敛速度。
提出GRACE方法，该方法结合基于约束的骨架与使用L0正则化的门控精化，用于高效准确的高维时间序列因果边发现。在F1分数和速度上优于现有方法，并在合成和现实河流流量数据上进行了验证。
提出了一种用于低数据高维输出问题的Gaussian process latent factor regression (GPLFR)，并通过一个针对岩质系外行星的全球气候模型的空间分辨仿真器进行了演示。
介绍了一种用于非参数工具变量估计的微扰方法，该方法通过高阶修正扩展了核岭回归方法，在高维设置中实现了预测误差高达99%的降低。
本文介绍了Unicorn，一个用于对高维时间序列进行可扩展的多数据集预训练的框架，它通过潜在原型码本将相关性建模与特定通道身份解耦，从而实现了领域迁移和少样本预测。
本文介绍了PACE-GGM，一种差分隐私的协方差估计方法，它自适应地选择和测量经验协方差矩阵中信息量最大的条目，并使用Gaussian Graphical Models进行重构。该方法在真实世界数据上显示出相对于基线方法的改进估计误差，特别是在高维设置中。
论文介绍了Kernel Discovery，这是一个LLM驱动的进化框架，用于高维贝叶斯优化，它搜索更广泛的核空间并在基准测试上取得了最先进的结果。
非对称流建模（AsymFlow）将噪声预测限制在低秩子空间，以实现高效的高维流生成，通过从潜在流模型微调，在ImageNet和文本到图像任务上取得了最先进的结果。