「G.3」カテゴリーアーカイブ

Listen, Denoise, Action! Audio-Driven Motion Synthesis with Diffusion Models

投稿日: 2023年5月17日 作成者: jarxiv

要約 拡散モデルは、表現力が高く、効率的にトレーニングできる確率モデルとして注目 … 続きを読む →

カテゴリー: 68T07, cs.CV, cs.GR, cs.HC, cs.LG, cs.SD, eess.AS, G.3 | Listen, Denoise, Action! Audio-Driven Motion Synthesis with Diffusion Models はコメントを受け付けていません

Aleatoric uncertainty for Errors-in-Variables models in deep regression

投稿日: 2023年5月15日 作成者: jarxiv

要約 深層学習のベイズ的な扱いによって、深層ニューラルネットワークの予測に関連す … 続きを読む →

カテゴリー: cs.AI, cs.LG, G.3, stat.ML | Aleatoric uncertainty for Errors-in-Variables models in deep regression はコメントを受け付けていません

Big Data and Large Numbers. Interpreting Zipf’s Law

投稿日: 2023年5月5日 作成者: jarxiv

要約 【タイトル】 ビッグデータと大規模な数。ジップの法則の解釈 【要約】 &# … 続きを読む →

カテゴリー: 11, 62, cs.CL, G.3, math.ST, physics.soc-ph, stat.TH | Big Data and Large Numbers. Interpreting Zipf’s Law はコメントを受け付けていません

Using Perturbation to Improve Goodness-of-Fit Tests based on Kernelized Stein Discrepancy

投稿日: 2023年5月1日 作成者: jarxiv

要約 タイトル：カーネル化スタインの不一致法に基づく適合度検定の改善のための摂動 … 続きを読む →

カテゴリー: 62-08 (Primary), cs.LG, G.3, stat.ME, stat.ML | Using Perturbation to Improve Goodness-of-Fit Tests based on Kernelized Stein Discrepancy はコメントを受け付けていません

Framework for inferring empirical causal graphs from binary data to support multidimensional poverty analysis

投稿日: 2023年4月28日 作成者: jarxiv

要約 タイトル：バイナリデータからの実証的因果グラフ推論フレームワークによる多次 … 続きを読む →

カテゴリー: 06A06, 62G07, cs.CY, cs.LG, cs.SI, G.3, stat.ME | Framework for inferring empirical causal graphs from binary data to support multidimensional poverty analysis はコメントを受け付けていません

LLT: An R package for Linear Law-based Feature Space Transformation

投稿日: 2023年4月28日 作成者: jarxiv

要約 【タイトル】 LLT: 線型法に基づく特徴空間変換のためのRパッケージ 【 … 続きを読む →

カテゴリー: 60-04, 62H30, 62M10, 68T10, cs.AI, cs.CV, cs.LG, cs.MS, G.3, stat.ML | LLT: An R package for Linear Law-based Feature Space Transformation はコメントを受け付けていません

How good are variational autoencoders at transfer learning?

投稿日: 2023年4月24日 作成者: jarxiv

要約 タイトル：変分オートエンコーダーは転移学習にどの程度優れているか？ 要約： … 続きを読む →

カテゴリー: cs.LG, G.3 | How good are variational autoencoders at transfer learning? はコメントを受け付けていません

Analysis of Interpolating Regression Models and the Double Descent Phenomenon

投稿日: 2023年4月18日 作成者: jarxiv

要約 タイトル：内挿回帰モデルとダブルディセント現象の解析 要約： &#8211 … 続きを読む →

カテゴリー: 68T07, cs.LG, eess.SP, G.3, stat.ML | Analysis of Interpolating Regression Models and the Double Descent Phenomenon はコメントを受け付けていません

CAR-DESPOT: Causally-Informed Online POMDP Planning for Robots in Confounded Environments

投稿日: 2023年4月17日 作成者: jarxiv

要約 タイトル：CAR-DESPOT：因果推論に基づく混乱環境下のロボットのオン … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.RO, G.3 | CAR-DESPOT: Causally-Informed Online POMDP Planning for Robots in Confounded Environments はコメントを受け付けていません

A method to integrate and classify normal distributions

投稿日: 2023年4月14日 作成者: jarxiv

要約 【タイトル】正規分布を統合し分類する方法 【要約】 – 確率モ … 続きを読む →

カテゴリー: 28-04, 28-08 (Primary), 62-04, 62-08 (Secondary), 68Txx, cs.CV, cs.LG, G.3, stat.ML | A method to integrate and classify normal distributions はコメントを受け付けていません