hyperbolic space
PulseAugur coverage of hyperbolic space — every cluster mentioning hyperbolic space across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的HCFormer架构使用双曲聚类实现可解释的视觉模型
研究人员开发了HCFormer，这是一种新的视觉骨干架构，它利用双曲层次聚类进行视觉表示学习。这种名为ClusterMixer的方法，为视觉Transformer等模型中发现的传统token mixer提供了一种更具可解释性的替代方案。通过在双曲空间中进行聚类以捕捉层次关系，HCFormer在各种计算机视觉任务（包括图像分类和分割）中表现出稳健的性能。
-
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。
-
新的MGFA统计模型增强了流形数据聚类
研究人员推出了一种新颖的统计模型——测地线因子分析器混合模型（MGFA），该模型专为流形值数据的聚类而设计。通过在每个组件中融入测地线因子模型，MGFA比现有方法具有更强的表达能力，能够分析各向异性的亚群。该论文为最大似然估计量提供了理论保证，并提出了一种迭代估计算法。在球体和双曲空间等各种空间上进行的实验表明，MGFA的性能优于竞争方法，并成功应用于解剖形状数据集的分析。
-
新的PINN框架详细介绍了几何分析问题
本文是先前工作的姊妹篇，详细介绍了使用物理信息神经网络（PINNs）在双曲空间中构建最小圆盘的机器学习框架。它侧重于方法论方面，强调将几何问题约束编码到神经网络架构以及优化PDE残差评估的重要性。作者引入了两种显著减少训练时间的实现技术，使该框架对微分几何和几何分析领域的研究人员更加易于使用。
-
新框架统一黎曼深度学习模块和几何学
一篇新的论文提出了一个统一的黎曼深度学习框架，解决了具有流形值表示的挑战。该工作引入了可重用的神经网络模块、流形特定的网络架构和新颖的几何设计。关键进展包括李群和陀螺群的广义批量归一化，以及逻辑回归到各种流形（包括双曲空间和SPD流形）的扩展。
-
PoLAR方法通过结构化潜在动作增强机器人策略学习
研究人员开发了PoLAR，一种新颖的机器人策略学习方法，该方法利用双曲空间中的几何结构化潜在动作表示。该方法将过渡范围（extent）与过渡模式（mode）解耦，从而能够更有效地学习机器人行为。通过将过渡移动的距离（extent）与其遵循的行为类型（mode）分开，PoLAR提高了在模拟和现实世界机器人任务中的下游策略性能。
-
新的 HyRAG 框架提升图模型泛化能力
研究人员开发了一个名为双曲检索增强生成 (HyRAG) 的新框架，以提高图基础模型 (GFM) 的泛化能力。现有的 RAG 方法在处理树状知识库时，由于欧几里得空间的几何限制而难以克服，导致语义粒度损失。HyRAG 通过在双曲空间中建模知识来解决这个问题，从而实现多粒度检索和有效的知识集成，以完成图任务。实验表明，零样本性能得到显著提升，增强了 GFM 的鲁棒性。