Euclidean space
PulseAugur coverage of Euclidean space — every cluster mentioning Euclidean space across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
Emerging trend: Representing complex data manifolds in Euclidean space for ML
Multiple recent clusters indicate a trend towards representing data that naturally resides on non-Euclidean manifolds (spheres, SPD matrices, hyperbolic spaces) within Euclidean space for machine learning tasks. This suggests that overcoming the computational challenges of non-Euclidean geometry via Euclidean embeddings is a key area of research and development.
New libraries for spherical and hyperbolic ML will spur novel applications
The release of libraries like 'torch-harmonics' for spherical data and advancements in hyperbolic residual quantization indicate a growing ecosystem for specialized ML on non-Euclidean geometries. We hypothesize that these tools will enable new scientific and engineering applications, particularly in areas like geophysics, VR, and hierarchical data compression, within the next year.
Euclidean space embedding for stochastic hybrid systems to see wider adoption
The recent development of a method to embed stochastic hybrid systems (SHS) into a higher-dimensional Euclidean space using continuous neural representations suggests a potential for broader adoption of this technique. If this method proves efficient and scalable, we may see it applied to more complex control and simulation problems in the next 6-12 months.
-
新研究量化了分类器鲁棒性与准确性之间的权衡
本文严格证明了非参数二元分类中对抗性分类器的最优定量估计。它证明了在控制豪斯多夫距离（与贝叶斯分类器相比）测量的几何精度时，鲁棒分类器在准确性上的损失最多为 $O(\sqrt{\varepsilon})$ 或 $O(\varepsilon)$，具体取决于贝叶斯分类器的正则性。这些发现适用于欧几里得空间中由任何范数定义的对抗者，并且在无限和有限数据设置中都有效，这与先前认为在低复杂度假设类别中鲁棒性与准确性不兼容的工作形成对比。
-
新的损失函数弥合了3D点云分割中空间邻域与空间填充曲线邻域的差距
研究人员开发了一种新的损失函数，通过解决三维空间邻近性与空间填充曲线邻近性之间的差异来提高三维点云分割的准确性。该方法优化了三维空间中距离较远但在空间填充曲线上相邻的点之间的特征相似性。当集成到领先的分割模型中时，该方法在室内和室外数据集上均表现出优于现有技术的性能。
-
新的 JAX 库支持高级双曲深度学习
一个名为 hyperbolix 的新开源库已发布，专为 JAX 框架内的双曲深度学习设计，并基于 Flax NNX 构建。该库为包括欧几里得空间、庞加莱球和双曲面在内的六种不同流形提供统一接口，并为各种神经网络架构配备了全面的双曲层套件。它还集成了黎曼优化器和降维技术，提供强大而精确的计算，尤其是在双曲面上的运算，因为标准公式可能会损失精度。
-
HyperForecast框架使用双曲空间进行高级时间序列预测
研究人员推出了一种新颖的长期时间序列预测框架HyperForecast，该框架利用双曲空间。与在欧几里得空间中运行的传统方法不同，HyperForecast将时间信号嵌入庞加莱球中，其中径向距离自然地表示从慢趋势到高频残差的频率层次结构。该框架使用两种变体来模拟测地线速度：具有庞加莱残差动力学的自回归预测和非自回归并行预测。在11个基准的评估中，HyperForecast在扩展的预测期上表现出卓越的性能，平均均方误差降低了58%，并在…
-
引入几何核多样性度量，满足关键公理
研究人员引入了几何核多样性（GKD），这是一种旨在量化欧氏空间中对象集多样性的新度量。该度量满足三个关键公理：单调性、唯一性和连续性，解决了现有指标的局限性。该论文还提出了计算GKD的有效算法，包括三维以下精确的多项式时间解法以及高维度的随机近似算法。
-
新的非可逆 Langevin 动力学加速了复杂分布的采样
研究人员引入了非可逆锚定 Langevin 动力学 (NALD) 和非可逆反射锚定 Langevin 动力学 (NRALD)，以改进机器学习中的采样。这些新方法旨在处理非光滑和重尾目标分布，即使在约束空间中，也无需计算目标密度的导数。通过引入循环漂移和流势，NALD 和 NRALD 可以比其可逆对应物实现更快的收敛，这已通过理论分析和数值实验得到证明。
-
新arXiv论文提供数学研究机器学习教程
一篇题为“数据、数字与几何：数值方法、机器学习与评估的三篇教程”的新论文已在arXiv上发布。该论文是为2026年4月在班夫国际研究站举行的DANGER：数据、数字与几何研讨会而开发的，为数学研究提供了实用的教程。教程涵盖了外微分法的数值方法、由数学结构引导的神经网络设计，以及机器学习结果的评估和展示。同时提供了配套的笔记本和练习，供读者复制和改编这些方法。
-
新方法改进了交互动力学系统的AI模型
研究人员开发了一种新颖的方法来对交互动力学系统进行建模，为每个对象引入局部坐标系。这种方法增强了图神经网络中的旋转平移不变性，从而提高了泛化能力。在各种场景（包括交通场景、动作捕捉和粒子碰撞）中的实验表明，这种新方法优于当前最先进的技术。
-
新库支持球体数据上的可微分机器学习
研究人员开发了“torch-harmonics”库，该库专为球体数据上的可微分信号处理和机器学习而设计。该工具提供了球谐变换和球卷积等关键方法的有效实现，能够创建先进的球体机器学习架构。该库旨在支持需要处理球体数据的科学和工程应用，例如地球物理学和虚拟现实。
-
新方法使用连续神经网络表示随机混合系统
研究人员开发了一种使用连续神经网络表示随机混合系统（SHS）的新颖方法。该方法通过编码辅助变量将SHS复杂的重置动力学转化为确定性动力学，使其能够嵌入到更高维的欧几里得空间中。由此产生的模型，即单一的潜在SDE，可以在不需要显式重置项、模式标签或基于事件的模拟的情况下，恢复SHS的概率演化。
-
新方法增强了用于分层数据的双曲残差量化
研究人员开发了一种新颖的几何感知双曲残差量化方法，旨在改进分层数据的表示。该方法通过引入用于稳定前向传播残差聚合的双曲残差聚合（Hyperbolic Residual Aggregation）和用于稳定反向传播梯度路由的折扣双曲直通估计器（discounted Hyperbolic Straight-Through Estimator），解决了先前双曲扩展中的不一致性问题。在推荐和音频编码等各种任务上的评估表明，与现有方法相比，双曲残…
-
新型MatFAE神经网络可从SPD矩阵流形数据中学习
研究人员开发了MatFAE，这是一种新颖的函数神经网络，旨在从位于对称正定（SPD）矩阵黎曼流形上的数据中学习。该网络具有内在层，可将流形值函数映射到欧几里得向量值函数，从而能够编码轨迹动力学并通过其函数权重提供可解释性。MatFAE已成功应用于fMRI数据集，证明了其在神经影像分析中从高维SPD轨迹学习表示的效率。
-
新的黎曼算法处理复杂的极大极小优化问题
研究人员开发了一种新的黎曼上升-下降算法，旨在解决复杂的极大极小问题。这些问题常见于分布鲁棒优化（DRO）中，呈现出非凸非凹的景观，使得传统方法不足以应对。所提出的方法在特定增长条件下收敛到“盆地鞍点”，提供了依赖于流形曲率的收敛速率理论保证。然后，该框架应用于涉及高斯测度的DRO问题，利用Bures Wasserstein流形对协方差矩阵进行建模。
-
新算法在公平 k-均值聚类中实现子 4 近似
研究人员开发了一种新的公平 k-均值聚类近似算法，旨在确保机器学习应用中受保护群体的公平代表性。该算法结合了线性规划松弛和几何变换来构建候选聚类中心。这种方法改进了先前的方法，实现了低于 4 的近似比，与之前的 5 因子相比有了显著降低。所提出的解决方案精确地满足了公平性约束，并且可以以最小的成本增加四舍五入为整数分配。
-
新的 SVGD 框架通过几何感知增强 AI 模型微调
研究人员开发了一个新的框架，用于大型预训练模型的参数高效微调，该框架利用了低秩流形的几何结构。该方法在 Stiefel 流形上利用 Stein 变分梯度下降 (SVGD)，实现了不确定性量化和更校准的适配器。实验表明，与在欧几里得空间中运行的现有方法相比，这种几何感知的 SVGD 方法实现了更高的预测精度。
-
新研究探索对角线多组学整合方法
一篇新发表在arXiv上的论文介绍了几种整合异构数据集的方法，特别关注多组学数据。该研究深入分析了生物异质性，并开发了在复杂欧几里得空间内使用同胚于Stiefel流形的集合上的耦合拉普拉斯算子进行分析的方法。作者还基于最大化问题的梯度上升法推导出的最大值和最小值点之差的范数，提出了一种新的数据集异质性特征。
-
HyperANFIS 利用双曲几何来增强模糊推理系统
研究人员推出了一种名为 HyperANFIS 的新型自适应神经模糊推理系统 (ANFIS) 扩展，该系统利用了双曲几何。传统的 ANFIS 模型在欧几里得空间中运行，这可能会限制其表示能力和预测性能。HyperANFIS 通过在双曲空间中执行规则原型学习和推理等关键过程来解决此问题，同时保持标准 ANFIS 的可解释性和 IF-THEN 规则生成能力。实验表明，HyperANFIS 在预测准确性和生成的模糊规则质量方面均优于传统的 A…
-
新AI框架H2AL使用双曲空间进行医学图像分割
研究人员推出了一种新颖的少样本医学图像分割框架H2AL，该框架利用双曲空间来更好地模拟解剖层级。这一方法在最近的一篇arXiv论文中有所详述，旨在通过处理具有固有层级关系的解剖结构来提高伪标签质量，这与先前仅在欧几里得空间中操作的方法不同。该框架包括一个双曲层级感知注入（H2I）模块和一个用于配准和分割任务联合优化的聚合算法，并在实验环境中证明了其有效性。
-
为概率测度开发了新的 Nesterov 加速方法
研究人员开发了新的概率测度加速优化方法，其灵感来源于欧几里得空间中的 Nesterov 加速梯度法。这些方法，包括重球法和 Nesterov 加速法，专为机器学习、科学计算和不确定性量化等应用而设计。该方法通过哈密顿公式将概率测度提升到相空间，并提升到希尔伯特空间，从而实现了与欧几里得方法相媲美的收敛保证。
-
研究发现高斯RBF RKHS渐近地趋近于欧几里得空间
一篇新的研究论文探讨了高斯RBF再生核希尔伯特空间（RKHS）的渐近行为及其与欧几里得空间的关系。研究表明，在高带宽极限下，高斯RBF RKHS渐近地等距于欧几里得空间。这种收敛意味着依赖于RKHS度量属性的基于核的方法将趋近于线性核的结果，这一发现得到了实验的支持，实验表明数据偏心率的度量可以预测收敛行为。