Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms
因果发现是一个难题，通常依赖于对数据生成模型的强假设，例如非高斯性。在实践中，许多现代应用程序提供同一系统的多个相关视图，这很少被考虑用于因果发现。在这里，我们利用这种多视图结构来实现弱假设的因果发现。我们提出了一种多视图线性结构方程模型（SEM），它通过交替利用视图的相关性来扩展众所周知的非高斯扰动框架。我们证明了……的可识别性
‘Critical scholars’ fear for ‘gender equity’ after low-ranked man beats #1 woman in tennis
排名第 673 位的尼克·克耶高斯 (Nick Kyrgios) 最近在一场颇具争议的比赛中击败了世界排名第一的阿琳娜·萨巴伦卡 (Aryna Sabalenka)。宾夕法尼亚州立大学的学者对性别平等的影响表示担忧，认为克耶高斯和萨巴伦卡关于男性运动优势的观点破坏了女权主义的进步。这场比赛重新引发了关于运动表现和性别平等固有的生物学差异的争论。
Score Distillation of Flow Matching Models
扩散模型实现了高质量的图像生成，但受到缓慢的迭代采样的限制。蒸馏方法通过一步或几步生成来缓解这一问题。流匹配最初是作为一个独特的框架引入的，后来被证明在理论上等同于高斯假设下的扩散，这就提出了蒸馏技术（例如分数蒸馏）是否可以直接转移的问题。我们提供了一个简单的推导——基于贝叶斯规则和条件期望——统一了高斯扩散和流量匹配，而不依赖于 ODE/SDE……
Sharp Monocular View Synthesis in Less Than a Second
我们提出了 SHARP，一种从单个图像合成逼真视图的方法。给定一张照片，SHARP 会回归所描绘场景的 3D 高斯表示的参数。在标准 GPU 上，通过神经网络的单个前馈传递，这一过程可在不到一秒的时间内完成。然后可以实时渲染由 SHARP 生成的 3D 高斯表示，为附近的视图生成高分辨率的逼真图像。该表示是公制的，具有绝对比例，支持公制相机移动。实验结果表明夏普提供......
The Machine Learning “Advent Calendar” Day 5: GMM in Excel
本文介绍了高斯混合模型作为 k-Means 的自然扩展，通过方差和马哈拉诺比斯距离改进了距离测量方式。 GMM 没有将点分配给具有硬边界的簇，而是使用通过期望最大化算法（劳埃德方法的一般形式）学习的概率。使用简单的 Excel 公式，我们在 1D 和 2D 中逐步实现 EM，并可视化高斯曲线或椭圆在训练期间如何移动。均值转变、方差调整，形状逐渐围绕数据的真实结构稳定下来。GMM 提供了一种更丰富、更灵活的方式来建模集群，一旦该过程在电子表格中可见，它就会变得直观。机器学习“降临日历”第 5 天：Excel 中的 GMM 帖子首先出现在走向数据科学上。
