Riemannian Manifolds: An Introduction to Curvature (1st edition)
PulseAugur coverage of Riemannian Manifolds: An Introduction to Curvature (1st edition) — every cluster mentioning Riemannian Manifolds: An Introduction to Curvature (1st edition) across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法修复流形上生成模型的半径失真
研究人员开发了一种名为径向补偿（RC）的新方法，以解决在黎曼流形上运行的生成模型中的失真问题。标准方法将样本从欧几里得切空间映射到流形，这会改变距离解释。RC 引入了一个特定的基分布，该分布保留了测地线径向似然和切空间各向同性，从而实现了更稳定的训练和更清晰的曲率估计。通过将统计意义与数值条件分离开来，该技术在流形变分自编码器和连续归一化流方面取得了改进。
-
流形上的CNN在边界值问题中提高了精度
研究人员开发了新颖的卷积神经网络（CNN）方法，用于在紧致黎曼流形上近似函数和求解椭圆边值问题。这些方法展示了比标准方法更高的近似率，该近似率取决于流形的内在维度而非其环境维度，有助于克服维度灾难。提出的物理信息CNN（PICNN）框架通过引入谱边界损失来专门解决边值问题，与标准的物理信息神经网络（PINNs）相比，提高了精度、收敛性和稳定性。
-
新框架将熵最优传输与弯曲空间上的神经网络相结合
研究人员引入了Entropic Riemannian Neural Optimal Transport (Entropic RNOT)，一个新颖的框架，旨在处理涉及弯曲空间上数据的机器学习问题。该方法将内在熵最优传输与黎曼流形上的摊销样本外评估相结合。Entropic RNOT学习一个薛定谔势来构建内在传输代理，在各种流形上的基准测试和蛋白质-配体对接的实际应用中，表现优于现有基线。