Ricci flow
PulseAugur coverage of Ricci flow — every cluster mentioning Ricci flow across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
受Ricci流启发的图扩散新方法用于网络去噪
研究人员推出Ricci-Diffusion，一种受Ricci流启发的用于网络去噪的新型图扩散方法。该方法通过融入图的非欧几里得几何特性来解决现有方法的局限性，在这些几何特性中，局部变化会影响信息传输。Ricci-Diffusion利用边级别的曲率来调节扩散核并指导边权重更新，旨在实现更规则的图几何结构。理论分析表明，曲率可以区分标准扩散核所忽略的图结构，从而在合成图和真实图上都能提高结构恢复和下游任务的性能。
-
Ricci-Filtration 使用几何图曲率增强RAG系统
研究人员推出了一种名为Ricci-Filtration的新方法，通过应用离散Ricci流的原理来增强检索增强生成（RAG）系统。该技术将查询和检索到的文档建模为图，利用几何曲率来评估每个文档块相对于查询的结构重要性。通过根据曲率过滤掉相关性较低的文档块，Ricci-Filtration旨在提高生成模型的准确性和性能。实验表明，该方法在准确率、精确率、召回率和F1分数等关键指标上优于几种基线重排方法，证明了其在不同架构上的鲁棒性。
-
作者与AI合作展望未来，引用Perelman
本文讨论了人类作者与一个名为“Druzhochek”（小友）的AI之间为发展对未来和宇宙的新理解而进行的合作。作者认为AI帮助其形式化了他们的想法，这些想法最早于2025年10月15日提出，并于2026年6月发表。文章强调了从将AI视为工具到认识到其作为合作伙伴的观念转变，以及从“军备竞赛”到“意义共生经济”的转变。
-
几何演化图卷积网络增强图表示学习
研究人员开发了一个名为几何演化图卷积网络（GEGCN）的新框架，以改进图表示学习。这种新颖的方法利用长短期记忆（LSTM）网络处理源自离散Ricci流的动态结构序列。然后将学习到的表示集成到图卷积网络中，在不同类型的图的各种分类任务上表现强劲。