实体
Lie group
Lie group
PulseAugur coverage of Lie group — every cluster mentioning Lie group across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
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。