topological deep learning
PulseAugur coverage of topological deep learning — every cluster mentioning topological deep learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新工具TopoExplorer助力拓扑深度学习开发
研究人员推出了一种新颖的可视化技术TopoExplorer，旨在改进拓扑深度学习（TDL）方法的开发。该工具利用拓扑数据集的Hasse图形式，使实践者能够探索提升后数据的更高阶连通性和特征景观。通过提供与下游模型性能相关的量化指标，TopoExplorer旨在实现更原则性、可解释和高效的TDL预处理和模型开发。
-
新的NONTP方法增强了生成式推荐系统
研究人员开发了一种名为NONTP的新训练方法，以改进生成式推荐系统。该方法通过纳入时间局部性和空间局部性目标来解决下一词预测（NTP）的局限性。时间对比学习（TCL）对齐未来轨迹，而跨域学习（TDL）利用跨域上下文。这些在推理时没有额外开销的补充，在基准数据集的HR@10和NDCG@10等指标上显示出显著的改进，并在在线A/B测试中带来了1.8%的点击率（CTR）增长和2.1%的商品总值（GMV）增长。
-
范畴深度学习框架统一AI架构
一个名为范畴深度学习（Categorical Deep Learning, CDL）的新理论框架被提出，用于统一各种深度学习架构。该框架由Gavranović等人发表的论文详细介绍，利用范畴论为描述Transformer、RNN和CNN等模型提供了一种通用语言。CDL旨在弥合指定模型约束与其实现之间的差距，特别是通过函数式编程概念。该理论被呈现为深度学习不同子领域的高层概述，包括架构、优化和函数理论，而CDL侧重于架构方面。
-
HOPSE框架提高了高阶AI表示的可扩展性
研究人员开发了HOPSE，一个旨在增强拓扑深度学习可扩展性的新框架。该方法摒弃了传统的消息传递层，转而利用Hasse图分解来创建高阶交互的高效编码。HOPSE实现了组合表示大小的线性可扩展性，在分子和拓扑基准测试上达到了与现有方法相当或更优的性能，同时提供了显著的速度提升。