研究人员开发了一种新的持久拉普拉斯算子的谱表示方法，将其特征谱提炼为三个关键数学不变量：贝蒂数、谱隙和分析扭曲。该方法旨在克服在机器学习任务中使用完整特征谱所带来的高维度和可变数据长度的挑战。在 MNIST、QM-3D 和 SKEMPI WT 等数据集上的实验表明，这种简化的特征空间能有效捕捉预测信号，有时性能优于完整特征谱，同时降低了计算成本和噪声。 AI
影响 这种新的谱表示方法有望通过简化复杂的几何数据，从而实现更高效、更有效的机器学习模型。
排序理由 该集群包含一篇详细介绍机器学习特征表示新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.16990v1 Announce Type: new Abstract: While persistent Laplacians (PL) offer a richer geometric representation of data than persistent homology, utilizing their full eigenspectrum for learning tasks is often hampered by high dimensionality and the ``varying length'' pro…
While persistent Laplacians (PL) offer a richer geometric representation of data than persistent homology, utilizing their full eigenspectrum for learning tasks is often hampered by high dimensionality and the ``varying length'' problem across different filtration scales. We prop…