Euclidean
PulseAugur coverage of Euclidean — every cluster mentioning Euclidean across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的ORACLE方法通过评估优化器后更新来改进约束学习
一篇新的研究论文介绍了一种新颖的约束学习方法ORACLE，该方法在优化器对参数进行操作后评估约束兼容性。这种方法被称为优化器相对约束学习，通过线性化异构约束族并在优化器自身的几何结构内构建对齐来评估优化器实现的步骤。ORACLE在提交步骤之前对其进行验证，在各种偏微分方程基准测试和优化器上展示了显著的改进，在大多数配置中优于其他约束处理方法。
-
公布了用于 Gromov-Wasserstein 嵌入的新归纳式框架
研究人员开发了一种新的 Gromov-Wasserstein 多维标度 (GW-MDS) 归纳式框架，该框架允许映射未见过的样本。这种方法称为重心蒸馏，它使用教师模型从训练数据中学习潜在表示和最优传输计划。然后，学生神经网络通过利用重心投影来学习显式的样本外映射，从而有效地将传导式 GW 嵌入与归纳式神经网络映射联系起来。实验表明，这种蒸馏模型在新数据上保留了教师的几何结构，并且优于直接的神经网络 GW 训练。
-
新的归纳框架支持对未见数据的GW-MDS映射
研究人员开发了一种用于Gromov-Wasserstein多维缩放（GW-MDS）的归纳框架，该框架能够对未见样本进行映射，克服了先前方法的转导限制。这种新方法称为重心蒸馏，包括一个GW-MDS“教师”模型，该模型从训练数据中学习潜在空间和最优传输计划。然后，“学生”神经网络通过重心投影将教师的耦合转换为样本对齐的目标，从而学习显式的样本外映射。实验表明，这种蒸馏模型能够有效地在新数据上保留教师的几何特性，并且优于直接的神经GW训练。
-
新的海森堡提升描述符提高了手写识别的准确性
研究人员开发了一种名为海森堡提升描述符的新描述符，以改进在线手写识别系统。与忽略笔画顺序的现有欧几里得描述符不同，这种新方法融入了方向信息。即使是简单地向现有描述符添加一个终端带符号面积标量，也能显著提高分类器的准确性，特别是对于笔画顺序至关重要的字符。一个更复杂的十五维扩展在嘈杂条件下和对于带有环的字符提供了进一步的提升。
-
双曲嵌入在生物医学鉴别诊断方面展现出潜力
研究人员探索了在生物医学知识图谱中将双曲图表示学习用于鉴别诊断。该方法旨在利用双曲嵌入捕获的自然树状结构，以处理超越纯粹分层数据的任务。在本体子图上的初步实验表明，与欧氏基线相比，双曲模型在较低维度下可以获得强劲的性能。对患者集成图的链接预测任务的进一步评估表明，双曲嵌入可以有效地利用生物医学分层结构来辅助诊断推理。
-
新的度量族优化协方差矩阵计算
一篇新研究论文介绍了一种新颖的双参数黎曼度量族，用于优化协方差矩阵。该族包含了欧几里得、Bures-Wasserstein 和仿射不变度量等常见选择，提供了一种更通用的方法。研究分析了黎曼Hessian的条件数，并证明了特定的参数选择可以优化性能，真实协方差数据的实验结果证实了这些预测。
-
新研究详细介绍了对数凹形分布的紧凑采样复杂度
研究人员开发了一种新方法来分析使用随机梯度预言机对光滑、强对数凹形分布进行采样的复杂度。该研究为采样复杂度建立了紧凑界限，该界限同时适应条件数和精度参数。在无噪声设置下，此界限也简化为对条件数的对数依赖性。
-
新的 Gromov-Wasserstein 对偶增强图同构测试
研究人员为 Gromov-Wasserstein (GW) 距离开发了一种新的对偶结果，适用于所有有限支持的度量测度空间。这一进展提高了经验 GW 距离的样本复杂度，并为使用样本测试图同构提供了一个原则性框架。该工作还引入了用于解决正则化 GW 问题的算法，并具有正式的收敛保证。
-
调查将协作学习从欧几里得数据映射到图结构数据
本次调查论文探讨了协作学习从传统欧几里得数据到更复杂的图结构数据的演变。通过考察联邦学习和去中心化学习等方法，解决了中心化机器学习的可扩展性和隐私问题等局限性。该论文对图分布场景进行了分类，并提出了图上学习的标准框架，强调了这一新兴领域中开放的挑战和未来的研究方向。
-
新的 Sierpiński--Knopp Wasserstein 距离加速持久性图分析
研究人员开发了一种新的度量标准，称为 Sierpiński-Knopp (SK) Wasserstein 距离，用于比较持久性图。这种距离度量使用空间填充曲线将图点映射到单位区间，从而实现高效的一维匹配。SK-Wasserstein 距离被证明可以控制经典的 2-Wasserstein 距离，可以嵌入到希尔伯特空间中，并生成与学习方法兼容的高斯核。实验表明，与现有方法相比，速度显著提高，基于 SK-Wasserstein 距离的聚类取…
-
新研究探索分子表示学习的支架监督
研究人员探索了如何通过显式地整合结构层次和几何结构来改进分子表示学习。他们的研究重点在于，用分子的Bemis-Murcko支架监督分子嵌入是否会影响学习结果。研究结果表明，支架监督能够根据相同和结构相关的支架持续地组织分子，从而在各种任务中提高分子性质预测的准确性。与欧几里得几何相比，在洛伦兹几何下，这种组织的有效性更强，但两种几何结构均未提供一致的总体优势。
-
新型等变层神经网络增强图上的几何传输
研究人员推出了一种名为等变层神经网络（ESNN）的新型架构，旨在增强图上的几何传输。ESNN 允许在相邻向量特征之间进行有向的、矩阵值传输，同时保持欧几里得等变性。通过学习几何信息如何在图边上传输，该方法能够实现更丰富、受特征条件约束的变换，作为现有等变消息传递技术的补充方法，而无需更高阶的表示。该网络在粒子动力学、基于网格的模拟和分子性质预测等各种应用中都表现出了改进。
-
新算法解决具有演化可行集的在线优化问题
研究人员开发了用于涉及嵌套收缩可行区域的在线优化问题的新算法。这些算法专为嵌套演化可行集（CONES）的凸优化和对抗性约束在线凸优化（COCO）等设置而设计，将损失控制与几何移动分开。所提出的方法通过用多项式维度依赖性替换复杂的投影路径因子，在更高维度下实现了改进的遗憾保证和减小的移动界限。
-
新研究详细介绍了随机tanh神经网络的导数界限
研究人员已经为使用双曲正切（tanh）激活函数的宽随机神经网络的混合输入导数建立了高概率界限。这项研究侧重于具有Xavier初始化的网络，表明通过分离特定项和控制切线方向，可以显著改善足够宽的高斯网络的导数界限。这项工作将导数估计与拟蒙特卡洛积分联系起来，暗示了在QMC训练分析中的潜在应用。
-
双曲几何提升树状原型网络性能
研究人员探讨了潜在流形几何对分层分类模型的影响，比较了欧几里得空间和双曲空间。他们的发现表明，与欧几里得原型相比，双曲原型能显著保留最近邻图的拓扑结构。虽然欧几里得原型在原始特征上的表现与逻辑回归相似，但双曲拟合在局部检索任务中有所改进。
-
双曲几何增强了分类模型中的潜在空间拓扑
研究人员探讨了潜在流形选择对分层分类模型的影响，将欧几里得空间与双曲空间（庞加莱球）进行了比较。他们的发现表明，与欧几里得原型相比，双曲原型在潜在空间中显著保留了最近邻图的拓扑结构。在各种参考树定义和分类任务中都观察到了这种改进，这表明双曲几何对于某些结构化数据表示具有切实的优势。
-
计算机视觉研究揭示了无初始化捆绑调整的差距
一项新的实验研究重新审视了无初始化捆绑调整（InitFree BA），这是一种计算机视觉技术，旨在直接恢复相机姿态和场景结构，而无需传统的几何初始化。研究人员开发了一个统一的评估框架，使用 C++ 实现和基于 Blender 的数据集生成器来比较不同的对象空间误差（OSE）公式。他们的发现揭示了优化成功（低 OSE 值）与 3D 重建质量之间存在显著差距，强调了初始化先验、地标观测密度和度量升级稳定性等因素对于可靠结果至关重要。
-
新方法通过潜在世界模型增强AI规划 · 跟踪4个来源
研究人员开发了新的方法来改进潜在世界模型中的规划，这些模型可以预测动作序列的结果。一种方法，强化规划（RP1），通过将良好的搜索规则强化到神经规划器中来学习改进多步规划，其性能显著优于传统的搜索算法。另一种方法DA-LeWM通过为潜在世界模型增加逆动力学和演示条件目标-动作头来解决决策度量对齐问题，从而在模型预测控制任务中实现更快的收敛和更高的成功率。
-
新方法验证聚类解，最优性差距<3%
研究人员开发了一种新颖的方法来评估最小平方和聚类（MSSC）解的质量，特别是针对大型数据集，因为找到全局最优解在计算上是不可行的。他们的方法使用分治策略将问题分解为更小、可解的实例，并以一种高效的启发式方法来解决相关的“反聚类问题”。该技术通过提供最优性差距来验证启发式解，实验显示差距低于3%，同时保持了合理的计算时间。
-
新的EHGCN方法融合欧几里得和双曲几何以实现事件感知
研究人员开发了EHGCN，一种用于事件流感知的新方法，它集成了欧几里得和双曲几何。该方法旨在改进事件数据中长距离依赖和分层结构的捕获，而传统图神经网络在这方面存在困难。EHGCN利用运动感知的超边生成方案，并融合来自欧几里得和双曲空间的信息，以增强对象检测和识别等任务。