PulseAugur
中
实时 09:11:37
English(EN) EntroPath: Maximum Entropy Path Ensemble Embedding for Manifold Learning

EntroPath：新的流形学习方法使用路径集成

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新颖的流形学习方法 EntroPath，旨在从数据图中重建测地几何。该方法利用扩散路径的集成，特别是采用最大熵随机游走（MERW）来聚合路径，而不是依赖于单条轨迹或最短路径距离。EntroPath 在合成流形和单细胞基准测试中表现出优越的性能，尤其是在采样密度不均和分支轨迹明显的情况下，与现有的基于扩散和最短路径的技术相比，它能更准确地保留测地几何。 AI

影响 该方法提供了改进的数据图测地几何重建，有望提高单细胞数据分析等领域的性能。

排序理由 该集群包含一篇详细介绍一种新的流形学习方法的论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

EntroPath：新的流形学习方法使用路径集成

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Przemys{\l}aw Rola ·

    EntroPath: 用于流形学习的最大熵路径集成嵌入

    arXiv:2607.06497v1 Announce Type: cross Abstract: We introduce EntroPath, a manifold learning method that recovers geodesic geometry from data graphs through ensembles of diffusion paths. Many existing graph-based embeddings rely either on locally normalised random walks or on sh…

  2. arXiv stat.ML TIER_1 English(EN) · Przemysław Rola ·

    EntroPath：最大熵路径集合嵌入用于流形学习

    We introduce EntroPath, a manifold learning method that recovers geodesic geometry from data graphs through ensembles of diffusion paths. Many existing graph-based embeddings rely either on locally normalised random walks or on shortest-path distances. The former can concentrate …

相关实体

相关话题