Laplacian matrix
PulseAugur coverage of Laplacian matrix — every cluster mentioning Laplacian matrix across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新协议在拓扑动态变化下保持多智能体编队控制
研究人员开发了新的分布式协议，即使在智能体数量或连接动态变化的情况下，也能在开放多智能体系统中保持编队控制。这些协议调整拉普拉斯矩阵权重以保持所需的编队谱，包括正半定性和正确的核等属性。这种方法允许在复杂环境中灵活调整形状，比以前的方法需要更稀疏的传感图，并支持动态领导者重新分配。
-
新的深度学习模型通过提高准确性和可解释性来增强基于脑电图的情感识别
研究人员正在开发用于基于脑电图的情感识别的先进深度学习模型，旨在提高准确性和可解释性。一种方法使用图正则化来捕捉情感类别之间的心理相互依赖性，在 SEED-IV 和 SEED-V 等数据集上显示出更高的准确性。另一种方法 MS-iMamba 利用多尺度倒置 Mamba 模型从脑电图信号中捕捉复杂的时空特征，在 DEAP、DREAMER 和 SEED 数据集上实现了高精度。第三个框架引入了面部表情代理建模，将脑电图信号转换为面部表情，从…
-
新方法将Transformer的位置编码适配到图数据
研究人员正在探索将旋转位置编码（RoPE）——一种广泛用于Transformer大语言模型和视觉Transformer的技术——应用于图结构数据。一种称为波诱导旋转编码（WIRE）的方法，应用图拉普拉斯算子的谱信息来旋转token，从而提高图学习任务的性能。另一项开发，高维动态旋转位置嵌入（HDD-RoPE），提出了一种多维位置嵌入方法，允许数据依赖的旋转并加速在TinyStories等数据集上的收敛。
-
新的谱稀疏化方法提高了图模型的准确性
研究人员开发了新的方法 Spectral-LCGGM 和 Spectral-HR，以提高拉普拉斯约束高斯和 Hüsler-Reiss 图模型的准确性和可扩展性。这些模型用于图信号处理和极值依赖建模等领域。新技术采用谱图稀疏化作为后估计步骤，创建比原始模型稀疏但与原始模型在谱上接近的拉普拉斯估计，从而提高密集图估计的可解释性和性能。