本文研究了平行迁移卷积(几何深度学习的关键组成部分)在底层黎曼度量受到扰动时的稳定性。利用微分几何和分析,研究表明,在特定条件下,对于连续输入信号和核,卷积输出在L2空间中连续依赖于黎曼度量。该研究通过在远离切痕处使用均匀估计和在小邻域上的积分界来解决切痕带来的挑战,最终将黎曼几何构造的扰动理论与空间卷积算子联系起来。 AI
影响 为几何卷积建立了理论稳定性保证,可能为非欧几里得数据上的未来鲁棒深度学习架构提供信息。
排序理由 这是一篇发表在arXiv上的研究论文,详细介绍了几何深度学习的理论工作。[lever_c_demoted from research: ic=1 ai=1.0]
- Analysis
- arXiv
- C^2-topology
- compact Lie groups
- cs.LG
- Cut locus
- differentiable pinching problems
- differential geometry
- geodesics in general relativity
- Geometric Deep Learning: Going beyond Euclidean data
- L2
- manifold
- parallel transport
- Parallel Transport Convolution: Deformable Convolutional Networks on Manifold-Structured Data
- polynomial ring in two variables
- Riemannian manifold
- Riemannian metric
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →