新框架支持在可变大小输入上进行机器学习

研究人员引入了一种新颖的机器学习模型框架，该框架可以处理不同大小的输入，例如点云或不同长度的序列。该方法利用随机采样映射，泛化了诸如带放回抽样和随机分箱等方法，以比较和近似不同大小的输入。该框架为泛化和草图绘制提供了明确的速率，适用于定义在序列、图和张量上的函数，包括矩多项式、同态密度、置换不变Transformer和图神经网络。 AI

影响 为不同数据类型实现更灵活、可扩展的机器学习模型。

排序理由 介绍机器学习新理论框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Any-Dimensional Learning by Sampling
• arXiv
• graph neural networks
• homomorphism densities
• machine learning
• moment polynomials
• permutation-invariant transformers
• phylogenetic inference
• point cloud
• random binning
• sampling maps
• sampling with replacement
• Tensors

• 论文
• 模型发布

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