研究人员引入了Entropic Riemannian Neural Optimal Transport (Entropic RNOT)，一个新颖的框架，旨在处理涉及弯曲空间上数据的机器学习问题。该方法将内在熵最优传输与黎曼流形上的摊销样本外评估相结合。Entropic RNOT学习一个薛定谔势来构建内在传输代理，在各种流形上的基准测试和蛋白质-配体对接的实际应用中，表现优于现有基线。 AI
影响 引入了一种处理机器学习中复杂数据几何的新方法，有可能提高分子对接等领域的性能。
排序理由 这是一篇详细介绍新机器学习框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.04255v1 Announce Type: cross Abstract: Many machine learning problems involve data supported on curved spaces such as spheres, rotation groups, hyperbolic spaces, and general Riemannian manifolds, where Euclidean geometry can distort distances, averages, and the result…
Many machine learning problems involve data supported on curved spaces such as spheres, rotation groups, hyperbolic spaces, and general Riemannian manifolds, where Euclidean geometry can distort distances, averages, and the resulting optimal transport (OT) problem. Existing manif…