PulseAugur
中
实时 13:14:16
English(EN) Beyond Rigid Geometries: The Spline-Pullback Metric for Universal Diffeomorphic SPD Representation Learning

新的样条-回拉度量增强了SPD矩阵表示学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了样条-回拉度量（SPM）来增强深度学习中对称正定（SPD）矩阵的表示学习能力。与使用固定几何的先前方法不同，SPM通过使用秩不变B样条参数化全局微分同胚，提供了通用的几何近似。该方法在理论上包含了现有的回拉度量，并实现了局部非线性谱建模，同时防止了秩交换不连续和梯度不稳定性。SPM在各种深度学习架构的三个数据集上展示了最先进的性能。 AI

影响 引入了一种新颖的SPD矩阵表示学习几何方法，有望提高下游任务的性能。

排序理由 这是一篇研究论文，介绍了一种用于深度学习表示学习的新度量。 [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 →

新的样条-回拉度量增强了SPD矩阵表示学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tushar Das, Subrata Dutta, Sarmistha Neogy, Koushlendra Kumar Singh ·

    超越刚性几何：用于通用微分同胚SPD表示学习的样条-回拉度量

    arXiv:2605.04406v1 Announce Type: new Abstract: The integration of Symmetric Positive Definite (SPD) matrices into deep learning has historically relied on fixed algebraic Riemannian metrics. Analogous to hand-crafted features in classical machine learning, these static formulati…

相关实体

相关话题