Lie Groups
PulseAugur coverage of Lie Groups — every cluster mentioning Lie Groups across labs, papers, and developer communities, ranked by signal.
-
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。
-
Decafs模型提升生成式AI的可解释性和性能
研究人员开发了Decafs，这是一种基于李群的新型条件生成器，旨在提高流式生成模型的可解释性。通过对抗性损失在潜在空间中解耦生成因素，Decafs在不增加模型维数的情况下促进了可控生成。该方法在条件图像生成方面表现强劲，在MNIST和dSprites等基准测试中优于StyleGAN，并且在QM9、ZINC和MOSES数据集的分子生成任务中也表现出色。
-
新架构利用李群上的位置数据学习机械系统动力学
研究人员开发了一种新颖的架构，用于在李群上使用离散强制欧拉-拉格朗日方程来学习机械系统动力学。该方法仅利用位置数据，通过直接在流形值构型空间上构建动力学，自然地保留了几何结构和守恒定律。该方法用途广泛，可扩展到多体系统和外部控制输入，并在合成和真实世界数据集上均显示出有效性，尤其是在速度数据稀缺或不可靠的情况下。
-
新的LieBN框架增强了流形值数据的批归一化
研究人员推出了一种新颖的黎曼批归一化（RBN）框架LieBN，该框架旨在运行在李群上。该方法旨在解决现有黎曼归一化方法的局限性，这些方法通常特定于某些流形或难以对流形值样本分布进行归一化。LieBN利用李群内的左不变和右不变度量，为控制黎曼均值和方差提供了理论保证。该框架已在九种不同的几何形状上进行了演示，包括对称正定（SPD）流形、旋转矩阵和相关矩阵，实验验证了其有效性。
-
新研究推进生成式AI的流匹配模型
研究人员正在探索流匹配模型（一种生成模型）的高级技术。一篇论文介绍了渐进式微调（GFT），这是一个基于退火的框架，用于提高将这些模型适应新数据分布时的稳定性和效率。另一种方法LieFlow将对称性发现重新构建为李群上的分布学习问题，从而能够识别连续和离散的对称性。此外，Latent-CFM通过利用预训练的潜在变量模型来提高流匹配效率，尤其适用于高维数据。进一步的理论工作为KL散度和Wasserstein距离下的扩散流匹配（DFM）提供…