从经验数据中估计VENDI评分的统计复杂性

本研究探讨了高维情况下VENDI评分的统计收敛性问题。

指出在有限样本大小下，VENDI评分可能不收敛到基于矩阵的熵统计。

引入了$t$-截断VENDI统计量作为替代统计量。

证明现有的Nyström方法和FKEA近似方法在适度样本大小下能收敛到$t$-截断VENDI统计量。

为生成模型的多样性评估提供了新的方法和见解。

VENDI评分作为无参考度量，量化生成模型的多样性。

分析了StyleGAN的多个设计变体以了解模型架构与样本分布属性之间的关系。

扩展了度量标准到个体样本的感知质量估计，并研究潜空间插值。

提出基于分数的扩散模型的最大似然训练方法，验证了其有效性。

通过相似性扩展VENDI分数为多样性度量方法，解决科学领域中的多样性测量问题。

分析得分高不代表生成模型好的情况，揭示SGM的记忆效应和生成弱点。

研究得分为基础的生成模型在学习亚高斯概率分布时的近似和概括性。

提出基于核熵的新颖性量化方法，用于多模态生成模型的新颖性评估。

扩展可解释的基于相似性的Vendi评分，以解决实验设计算法中的质量与多样性平衡问题。

通过上下文化的Vendi分数改善生成图像的地理多样性。

提出傅里叶基核熵估计方法，展示其在大规模生成模型评估中的可扩展性和解释性。