PulseAugur
中
实时 10:07:43
English(EN) Geometry as a Missing Axis of Representation Quality: The Variational Geometric Information Bottleneck under Data Scarcity

新的V-GIB方法整合了潜在几何以进行表征学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的表征学习方法——变分几何信息瓶颈（V-GIB），该方法将潜在几何显式地纳入瓶颈准则。该方法旨在通过惩罚曲率和内在潜在维度来提高性能，尤其是在数据稀疏的学习场景中。理论分析将编码器几何与学习结果联系起来，在Fashion-MNIST和CIFAR-10等基准测试上的实证结果表明，V-GIB在提高性能和降低几何复杂性方面具有潜力。 AI

影响 引入了一种新的表征学习方法，可能在低数据环境下提高性能。

排序理由 该集群包含一篇详细介绍新表征学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的V-GIB方法整合了潜在几何以进行表征学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ronald Katende ·

    Geometry as a Missing Axis of Representation Quality: The Variational Geometric Information Bottleneck under Data Scarcity

    arXiv:2511.02496v2 Announce Type: replace Abstract: We study latent geometry as an explicit component of representation quality in data-scarce learning. For an encoder (\phi), we define (Q_{\beta,\gamma}(\phi)=I(\phi(X);Y)-\beta\mathcal C(\phi)-\gamma d_{\mathrm{int}}(\phi)), com…

相关实体

相关话题