Fréchet distance
PulseAugur coverage of Fréchet distance — every cluster mentioning Fréchet distance across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的终端嵌入可推广至时间序列聚类
研究人员开发了一种终端嵌入的泛化方法，可以保留仿射线段，克服了先前方法的局限性。这一进展使得使用 Fréchet 距离为时间序列聚类创建无量纲核集成为可能。实验表明，这些新的终端嵌入在时间序列数据上的表现与 Johnson-Lindenstrauss 嵌入相当，并优于主成分分析。
-
新方法简化了曲线和曲面的降维
研究人员开发了一种简化的、广义的高维多边形曲线降维方法。这种新方法利用稀疏不可知子空间嵌入，为保持连续 Fréchet 距离提供了更直接的证明。通过定义广义不相似度量，该技术可适用于 Fréchet 以外的各种距离度量，包括 q-DTW 和 Hausdorff。该框架还已扩展到适用于分段线性曲面。
-
AI研究：图像编码的自然度可预测但并非可迁移性的原因
研究人员调查了一维数据流生成的图像的视觉自然度与其在视觉骨干网络上的可迁移性之间的关系。他们的研究使用了WorldStream语料库，发现像Fréchet Inception Distance (FID)这样的指标可以预测准确性，但这种相关性并非因果关系。相位扰动等干预措施，在保持功率谱的同时改变局部结构，显示了局部结构与准确性之间存在很强的联系，这表明视觉模型能够识别自然图像和编码数据中的相似结构。
-
研究人员提出 FD-loss 以优化表示空间中的视觉生成
研究人员引入了一种新的训练目标 FD-loss，它优化了视觉生成在表示空间中的 Fréchet 距离 (FD)。该方法将 FD 估计的总体大小与梯度计算使用的批次大小分离开来。将 FD-loss 应用于现有生成器已显示出视觉质量的提高，使用 Inception 特征空间的单步生成器在 ImageNet 256x256 上达到了 0.72 FID。