研究人员开发了一种新的方法来估计非线性黎曼流形上随机对象的协方差，这些流形越来越多地用于机器学习中处理形状和矩阵等数据。这种内在黎曼交叉协方差方法将局部变化传输到公共切空间，创建了一个与坐标选择无关的描述符。该方法继承了欧几里得协方差的性质，并在各种流形和真实形状数据上被证明是有效的，使其成为非欧几里得表示学习的关键工具。 AI
影响 引入了一种分析复杂非欧几里得数据的新型统计工具，有可能改善机器学习中的表示学习和降维。
排序理由 该集群包含一篇详细介绍机器学习应用新统计方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.10212v1 Announce Type: cross Abstract: Covariance estimation yields a fundamental second-order statistic underlying representation learning, dimension reduction, and dependence modeling. While covariance has been well understood in Euclidean spaces, it is ill-defined f…
Covariance estimation yields a fundamental second-order statistic underlying representation learning, dimension reduction, and dependence modeling. While covariance has been well understood in Euclidean spaces, it is ill-defined for random objects residing on nonlinear Riemannian…