新的持久性球体方法增强了拓扑机器学习

研究人员推出了一种名为“持久性球体”的增强方法，用于在拓扑机器学习中表示度量（包括持久性图）。这种新方法提供了双连续线性表示，在 1-Wasserstein 偏最优传输距离下是稳定的。该方法根植于凸几何，并改进了之前的定义，以更好地与偏最优传输机制对齐，通过带符号对角线增强进行编码。更新后的持久性球体在涉及函数数据、时间序列和点云的各种机器学习任务中，展示了具有竞争力的性能和优于现有方法的改进。 AI

影响 这种新的表示方法可以提高涉及复杂数据结构的各种机器学习任务的性能。

排序理由 该集群包含一篇详细介绍拓扑机器学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• 1-Wasserstein partial transport distance
• convex geometry
• Matteo Pegoraro
• partial transport
• persistence images
• persistence landscapes
• Persistence Spheres
• persistence splines
• sliced Wasserstein kernel
• topological machine learning

• 论文
• 其他

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