跳到正文

论文解读

arXiv 论文中文摘要 + 关键要点 · 全部时间 · 只看已解读· 已显示 2 篇

stat.ML·已译 有解读

潜在结构块模型中的有界阶非可识别性:闭式纤维

Bounded-Order Non-Identifiability in Latent Structure Block Models: The Fiber in Closed Form

Sie Hendrata Dharmawan · Peter Chin

图核(graphon)由所有同态密度决定,但基于模体(motif)的方法只使用有限多个。本文在一个自然族中精确计算了这种截断的代价:位置位于K条射线上的潜在结构块模型,等价于秩为二的度修正块模型。对于给定的径向律,在所有顶点数少于2K-1的图上一致的配置构成一个一维纤维,我们给出了其闭式表达式及显式端点;友谊图(friendship graph) F_{K-1} 是其唯一的边最小分离器,因此没有固定的模体阶数适用于所有K。分离信号被抑制了至多 m_1^{2(K-1)} 倍,其中 m_1 是均方斜率,在 K=4 时约为 10^{-4}:从模体计数中检测它需要单个图中约 10^{15} 个节点,无论边密度如何。信息仍然在图中;纤维属于统计量,而非模型。常见的谱方法流程不计数模体,在普通密度下仍沿纤维滑动超过其长度的三分之一,置信区域几乎从不包含真值,而相同嵌入的基于模型的拟合则不会。我们为实践者提供了四项检查:拟合是否有风险、应改用什么方法、为什么置信区间不会警告、以及剩余模糊性有多宽。

stat.ML·已译 有解读

通过规范扩散测量与分解模式分离

Measuring and Decomposing Mode Separation via the Canonical Diffusion

Shaul Tolkovsky · Ori Meidler · Or Zuk

模式分离指分布分裂为被势垒隔开的簇的锐利程度,是高维密度难以量化的基本几何性质。模式常对应数据中有意义的备选,如分子构象或生成模型输出中的不同语义类型。模式分离不同于离散度:微分熵随散布上升而不论是否分裂,PCA按方差排序方向而不论势垒。互信息能捕捉模式分离,但需潜在分量标签,通常不可得。通过密度内在的单一随机过程——以f为平稳分布、扩散系数为常标量的唯一可逆扩散——来测量模式分离。从其自协方差矩阵提取两个读数:SSA(自相关平方和)为标量势垒敏感度量;DA(主导自相关方向)给出按亚稳态而非方差排序的线性投影。在各向同性高斯零假设下,推导经验自协方差极限谱的闭式解,推广Marchenko–Pastur律,其上边缘给出噪声底,分离亚稳态方向与采样噪声。两个读数仅用样本与得分函数,通过Tweedie恒等式借助预训练得分生成模型扩展至高维。应用于三个场景:(i)合成高斯混合,SSA跟踪互信息;(ii)SDXL文本到图像生成,SSA与DA捕捉熵和PCA遗漏的结构;(iii)丙氨酸二肽分子动力学,DA仅从静态样本恢复已知慢骨架二面角。

已到最早一页已出中文摘要 2