PulseAugur
中
实时 09:29:02
English(EN) Variational autoencoders with latent high-dimensional steady geometric flows for dynamics

新的VAE方法通过几何流增强动力学学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为VAE-DLM的新型变分自编码器（VAE）方法，该方法结合了黎曼几何和潜在高维稳定几何流。该方法旨在改进数据中潜在动力学的学习，特别是对于偏微分方程（PDE）。VAE-DLM框架允许在潜在空间中诱导特定的流形几何形状，从而产生更具表现力的表示和重新制定的证据下界（ELBO）损失。实证结果表明，VAE-DLM在选定数据集上的性能与传统VAE相当或更好，通常可将分布外误差降低15%至35%。 AI

影响 这项研究引入了一种新的VAE架构，可以提高处理动态系统和PDE的模型的鲁棒性和准确性。

排序理由 该集群包含一篇详细介绍变分自编码器新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 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VAE方法通过几何流增强动力学学习

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Andrew Gracyk ·

    具有潜在高维稳定几何流的变分自编码器用于动力学

    arXiv:2410.10137v5 Announce Type: replace-cross Abstract: We develop Riemannian approaches to variational autoencoders (VAEs) for PDE-type ambient data with regularizing geometric latent dynamics, which we refer to as VAE-DLM, or VAEs with dynamical latent manifolds. We redevelop…

相关实体

相关话题