Riemannian geometry
PulseAugur coverage of Riemannian geometry — every cluster mentioning Riemannian geometry across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的黎曼几何方法增强语言模型嵌入
研究人员开发了一种名为黎曼均值池化（RMP）的新方法，用于分析预训练语言模型嵌入的几何结构。该技术在对称正定流形上使用黎曼几何和弗雷歇聚合来提取每个标记的度量。在CoLA、CREAK和RTE等数据集上的实验表明，RMP在处理具有复杂语言结构的复杂数据集时，优于传统的欧几里得均值池化，这表明几何聚合在提高可解释性和安全性方面起着关键作用。
-
BrainRiem框架使用黎曼几何进行隐私保护的脑网络诊断
研究人员开发了BrainRiem，一个用于在不直接访问源数据的情况下跨站点自适应脑网络诊断模型的新颖框架。该方法利用黎曼几何学习紧凑的脑原型，这些原型保持有效的对称正定（SPD）矩阵，从而避免了欧几里得方法中常见的几何失真。通过仅传输这些匿名原型，BrainRiem能够在遵守临床隐私法规的同时，在目标站点训练本地模型，并且性能优于现有的无源和图域自适应技术。
-
新的降维方法利用信息几何学改进分类
研究人员推出了一种名为监督二次特征分析（SQFA）的新型降维方法，该方法利用信息几何学。该方法利用费舍尔信息度量和费舍尔-Rao距离来衡量类别差异性，将概率分布视为统计流形上的点。SQFA学习优化这些距离的线性特征，旨在提高分类准确性。一种变体SQFA-H，它最大化Hellinger距离，在真实世界数据集上表现出与现有最先进方法相当或更优的性能。
-
新研究利用 Fisher 宽度和基准测试探索数据流形几何
两篇新研究论文探讨了机器学习中数据流形的几何结构。第一篇论文介绍了“Fisher 宽度”，这是一种新的几何度量，类似于高斯宽度，但使用 Fisher 信息度量适配了统计流形。该度量捕捉了各向异性几何效应，并用于证明 Fisher-Lipschitz 假设类的泛化界限。第二篇论文提出了一个用于研究数据几何的基准测试框架，使用重新利用的数据集和专门的估计器来分析曲率和范围等属性，旨在弥合深度学习理论与实践之间的差距。
-
新的黎曼框架增强了低秩最优输运求解器
研究人员开发了一个新的黎曼几何框架，以改进低秩最优输运（OT）求解器。该方法将因子耦合建模为子流形，并使用 Fisher-Rao 乘积度量来推导出有效的投影器和收缩。该框架扩展到各种 OT 问题，包括线性 OT 和 Gromov-Wasserstein，提供每迭代线性的复杂度和全局最优性的证书。实验表明，与现有方法相比，收敛速度更快，性能更优。
-
新模型提供可解释的脑机接口分类
研究人员开发了ERP-XTTN，一种新颖的交叉注意力架构，专为可解释的脑机接口分类而设计。该模型将输入的EEG片段路由到固定的差分波原型，从而无需校准即可实现跨主体泛化。在多个公共数据集和ERP组件上的评估表明，ERP-XTTN在提供透明信号结构洞察方面实现了具有竞争力的准确性，这与黑盒模型不同。
-
GAUGE模型使用黎曼几何实现可迁移图结构
研究人员推出了一款新的图基础模型GAUGE，该模型利用黎曼几何来理解可迁移结构。该框架名为神经向量丛（Neural Vector Bundle），通过局部坐标解析内在几何。GAUGE专为预训练而设计，并在零样本链接预测和图同构等任务中展现出卓越的表达能力。