实体
Geometric Machine Learning
Geometric Machine Learning
PulseAugur coverage of Geometric Machine Learning — every cluster mentioning Geometric Machine Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新算法实现具有群不变性的高效学习
研究人员开发了一种新的多项式时间算法，用于学习具有精确群不变性的问题，该算法可应用于有限群和无限群。这一进展为不变和等变方法在几何机器学习中的成功提供了计算解释。此外，该研究还解决了当不变群未知时对称性发现的挑战，证明了在多项式时间内可以识别精确对称性并将其用于回归任务的学习。
-
新的稀疏数据增强方法提供了可证明的优化保证
研究人员开发了一种新的稀疏数据增强方法，用于非凸优化问题，这在几何机器学习中尤为重要。该技术允许使用一小组固定的变换来近似完整的数据增强，从而显著降低与大型变换组相关的计算成本。所提出的方法使用稀疏增强目标上的梯度下降，与标准的组随机梯度下降或完整增强方法相比，需要更少的变换查询，并为找到驻点提供了可证明的保证。
-
几何机器学习利用数据曲率进行无监督边界检测
研究人员引入了一个名为平均曲率边界点（MCBP）的无监督学习新几何框架，该框架侧重于数据流形的内在曲率，而非传统的基于密度的方法。该方法利用平均曲率识别边界点、离群点和过渡点，提供统一的几何解释。MCBP还包括一个用于多尺度边界提取的自适应阈值方案和一个由曲率驱动的数据分解，以提高下游算法的性能。