Ricci curvature
PulseAugur coverage of Ricci curvature — every cluster mentioning Ricci curvature across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
论文探讨图和机器学习的Ollivier-Ricci曲率
本论文基于Yann Ollivier的工作和最优传输理论，探讨了度量空间的Ollivier-Ricci曲率。论文详细介绍了该曲率与黎曼流形中经典Ricci曲率的联系的主要结果，包括Bonnet-Myers和Lévy-Gromov等定理的推广。研究还涵盖了Lin-Lu-Yau将Ollivier-Ricci曲率推广到图上的工作，以及Jost-Liu的组合界限，最后通过对有向图的新证明及其在网络科学和图机器学习中的应用进行了总结。
-
新理论使用复杂几何分析神经网络优化
研究人员开发了一个新的理论框架，用于理解复杂神经网络的优化景观。该方法利用了微分几何的概念，特别是Kähler流形和Calabi-Yau度量，来分析下降路径并提供理论保证。这项工作探讨了负曲率（如Ricci曲率）如何影响损失景观并影响神经网络的性能，尤其是在初始化和故障模式下。
-
新的神经树协同过滤框架增强推荐系统
研究人员推出了一种新颖的框架——神经树协同过滤（NTCF），它通过将局部邻域视为有根树来重构图协同过滤（GCF）。该方法使用基于局部连通性的离散 Ricci 曲率代理来计算节点特定的传播深度。NTCF 在理论上可以泛化现有的 GCF 方法，并在公开数据集上展示了卓越的性能，与均匀深度传播相比，提供了更强的表示能力。
-
离散Ricci曲率提供轻量级蛋白质折叠分类方法
研究人员开发了一种利用蛋白质接触图上的离散Ricci曲率进行蛋白质折叠分类的新方法。该方法生成一个轻量级的22维特征向量，在基准数据集上的表现优于ESM-2等大型预训练蛋白质语言模型嵌入。将Ricci曲率与持久同调相结合进一步提高了性能，表明可解释的图描述符可以作为某些生物学任务中复杂语言模型的实用替代方案。
-
新的机器学习框架提升蛋白质-配体结合亲和力预测能力
两种新的机器学习框架RicciBind和CPES被引入，用于预测蛋白质-配体结合亲和力，这是药物发现中的关键一步。RicciBind利用Ricci曲率和最优传输来模拟分子相互作用，增强了结构感知和全局对齐能力。CPES结合了源自势能面的物理信息曲率表示，以考虑分子柔性和结合诱导的构象变化。两种方法在基准数据集上的结合亲和力预测准确性和可解释性方面均有所提高。
-
新的隐私机制将几何分析、热扩散和差分隐私联系起来
研究人员引入了一种新的隐私机制，用于处理位于黎曼流形上的数据。这种新颖的方法在几何分析、热扩散模型和差分隐私之间建立了联系。该机制利用 Ricci 曲率提供 Renyi 差分隐私保证，对具有非负 Ricci 曲率的流形使用热扩散，对一般流形使用 Langevin 过程。