Poincaré disk model
PulseAugur coverage of Poincaré disk model — every cluster mentioning Poincaré disk model across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
HyPASE框架使用双曲几何进行高效LALM微调
研究人员开发了HyPASE，一个利用双曲几何进行参数高效微调大型音频语言模型（LALMs）以用于语音情感识别（SER）的新型框架。与在欧几里得空间中操作的传统方法不同，HyPASE采用了Poincaré球模型来更好地捕捉情感线索的多粒度性。该框架包括一个双曲几何适配器（HGA）和一个情感感知多容量跨模态聚合器（EMCA），它们共同提高了在MELD和IEMOCAP等基准测试上的性能，尤其是在类别不平衡数据集上。这种方法为将LALMs适应…
-
arXiv论文详述神经网络的新几何构造方法
研究人员开发了一种新颖的神经网络构造方法，将神经网络嵌入统计流形中，特别是利用了对数正态分布。该方法利用了与流形上梯度流等效的哈密顿系统，网络输入由庞加莱圆盘内的动力学定义。诸如突触权重矩阵的旋转等关键组成部分源自SU(1,1)的李群作用，激活函数则源于系统的辛结构。所得出的神经网络架构在金融欺诈检测和网络安全应用中被证明是有效的。
-
新的双曲框架增强了多模态情感和情绪分析
研究人员推出了一种新颖的双曲超图框架 Emotion Collider (EC-Net)，用于多模态情感和情绪分析。该系统利用 Poincaré 球嵌入来建模模态层次结构，并采用超图机制进行双向消息传递。EC-Net 在双曲空间中结合了对比学习，并采用解耦的径向和角向目标来增强类别分离，通过自适应超边构建来保留高阶语义关系。在标准基准测试上的实验表明，EC-Net 在生成鲁棒且准确的表示方面非常有效，尤其是在模态数据嘈杂或不完整的情况下。
-
为Hadamard流形开发了新的1-Lipschitz神经网络
研究人员开发了一类新的1-Lipschitz神经网络，旨在Hadamard流形上运行，突破了欧氏空间的限制。这些网络利用Busemann函数和梯度流来创建保持几何的层，提供增强的鲁棒性和稳定性。该架构已在双曲流形和对称正定（SPD）矩阵流形上得到验证，在鲁棒分类和协方差重建等应用中显示出潜力。
-
GPT-2 词汇量可视化为交互式双曲树
一个后续项目将 GPT-2 模型中的词汇量可视化为一棵双曲树，包含 32,070 个标记，位于一个可导航的庞加莱圆盘内。这种交互式可视化可以在移动设备上运行，使用 GPT-2-small 的标记嵌入，并在双曲空间中自然地映射词语相似性的树状结构。用户可以通过旋转、缩放和点击标记来重新定位视图来探索数据，揭示诸如星期几或“Trump”和“Ivanka”等特定联系。整个可视化包含在一个单一的客户端 HTML 文件中。
-
新AI框架利用双曲几何融合红外与可见光图像
研究人员开发了一个新颖的框架，通过利用双曲流形学习来融合红外与可见光图像。该方法使用BLIP提取的文本提示作为双曲空间中的锚点来对齐视觉属性。该方法自然地编码了层次语义并避免了度量饱和，与现有的欧几里得方法相比，融合性能得到了提高。值得注意的是，融合过程在推理时能自主适应输入内容，无需显式文本输入。