Riemannian metric
PulseAugur coverage of Riemannian metric — every cluster mentioning Riemannian metric across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
引入新的优化框架“几何动力学”
研究人员引入了一个名为优化几何动力学的新框架，该框架将优化视为参数轨迹、粒子分布和时变黎曼度量的耦合演化。这种方法旨在将不变障碍与可改进的几何不匹配分离开来，从而更好地控制条件和远离精确临界点的传输。该框架仅为理论，提供形式陈述和证明，旨在作为未来可实现的自适应优化器的基准。
-
新的采样方法提高了复杂分布的效率 · 跟踪 2 个来源
研究人员开发了一种名为 Gradient-free Riemannian Langevin Sampler (GRiLS) 的新方法，以提高多模态概率分布采样的效率。该方法旨在克服标准马尔可夫链蒙特卡洛方法在混合不良和模式陷阱方面的局限性。GRiLS 利用黎曼度量重塑局部几何形状，促进模式之间的转换，而无需对目标密度进行梯度评估，使其适用于复杂的计算目标。此外，另一篇论文探讨了通用空间上的快速行列式采样，为数据集表示提供了基于核的方法…
-
新的人工智能范式将智能置于空间而非代理中
研究人员提出了一种新颖的人工智能方法，将智能嵌入空间本身，而不仅仅是代理中。该方法利用神经网络（特别是编码器-路由器）生成黎曼度量场。该场通过定义测地线来指导动作，从而有效地消除了对单独规划器或碰撞检查器的需求。该架构通过半群叠加机制结合了框架参数、调制参数和基本系数，使其能够随着场景复杂度的增加而扩展，并在未见的障碍物配置上展示出强大的零样本泛化能力。
-
PACE框架通过几何感知传输增强单细胞轨迹推断
研究人员开发了PACE，一种用于单细胞轨迹推断的新框架，该框架解决了从时间序列快照重建细胞动力学固有的不适定性问题。PACE通过构建各向异性黎曼度量来利用几何感知方法，以更好地对齐不同实验时间点的细胞，并考虑异步发育。该方法改进了跨时间耦合，并在快照之间拟合神经桥，最终将这些动力学提炼成连续时间速度场。在多个数据集上的评估表明，与现有方法相比，PACE具有更优越的重建性能和改进的RNA速度对齐。