Lie group
PulseAugur coverage of Lie group — every cluster mentioning Lie group across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SE(3)-MeanFlow方法加速蛋白质骨架生成
研究人员开发了SE(3)-MeanFlow，一种用于蛋白质骨架设计的新型生成框架。该方法在李群几何上运行，与现有的扩散和流匹配模型相比，能够实现更快、更高效的生成。SE(3)-MeanFlow通过利用闭式平均速度恒等式和稳定的MeanFlow损失，在蛋白质骨架生成方面取得了具有竞争力或更优的结果，尤其是在少数步骤的场景下。
-
新框架使用等变神经场进行可扩展的走时预测
研究人员引入了等变神经欧拉求解器（Equivariant Neural Eikonal Solvers），这是一个结合了等变神经场（Equivariant Neural Fields）和神经欧拉求解器（Neural Eikonal Solvers）的新框架。该方法使用一个共享的神经网络骨干，并以信号特定的潜在变量为条件来建模各种欧拉解。等变神经场的集成确保了潜在点云的变换能够导致欧拉解的可预测变化，从而提供增强的表示效率和几何基础。该…
-
新框架分析机器学习模型丢弃的信息
研究人员开发了一个新框架，用于分析当输入具有李群作用时机器学习模型丢弃的信息。该框架通过在每个输入点定义一个“零纤维”来量化模型不可见的对称性，零纤维代表其作用对函数不可检测的群元素。该方法适用于包括神经网络和量子电路在内的各种架构，可以高效计算，并在数据掩码、模型指纹识别和隐私保护计算方面具有潜在应用。
-
新的谱嵌入方法整合群对称性以改进数据分析
研究人员开发了一种新的谱嵌入方法，该方法将群对称性（如旋转）整合到亲和核中。这种方法改进了具有这些对称性的内在低维结构的数据集的降维和聚类。该方法被证明可以收敛到商空间上的微分算子，从而获得更好的收敛速率和内在数据几何的准确恢复，性能优于标准的谱嵌入技术。
-
GCN-DevLSTM 通过李群路径发展增强了基于骨架的动作识别
研究人员推出了一种新颖的视频骨架动作识别架构 GCN-DevLSTM。该模型通过引入 G-Dev 层来增强现有的图卷积神经网络 (GCN)，该层利用李群结构的路径发展来更好地捕捉时间动态。GCN-DevLSTM 模块能有效总结局部时间信息，同时保留高频细节，从而在 NTU-60 和 NTU-120 等基准数据集上取得了改进的性能。
-
新型神经网络嵌入李群，用于机器人和控制
研究人员开发了一种名为李群嵌入动力学神经网络（LieEDNN）的新方法，以解决在神经网络中建模连续对称性和非欧几里得动力学所面临的挑战。该方法利用李群（如SO(3)和SE(3)）来表示流形几何，从而为机器人、图形和控制等应用实现稳定且可学习的动力学。所提出的算法通过采用伴随李群作用并将李代数参数化为线性变换，来处理李群与标准加法运算的不兼容性以及在非欧几里得空间中演化的动力学，并在SE(3)上对伸缩机械臂进行了实验验证。
-
研究人员提出新颖的VAE重参数化方法以处理非平凡的潜在空间拓扑
研究人员开发了一种新颖的方法来推广变分自编码器（VAE）中使用的重参数化技巧。这项新技术允许VAE处理具有复杂、非平凡拓扑的潜在空间，例如克莱因瓶，这些空间不是李群。该方法通过使用覆盖映射使KL散度项在解析上可处理，从而使VAE即使在这些复杂的潜在结构下也能有效学习。论文通过引入“KleinVAE”来展示这一点，并讨论了其在贝叶斯学习中作为权重先验的潜在应用，特别是在卷积视觉模型中。