wavelet scattering transform
PulseAugur coverage of wavelet scattering transform — every cluster mentioning wavelet scattering transform across labs, papers, and developer communities, ranked by signal.
-
RIPPLE 框架为联邦学习提供离线聚类
研究人员开发了 RIPPLE，一个新颖的聚类联邦学习框架，旨在解决非独立同分布（non-IID）数据场景下的客户端漂移问题。与将聚类发现集成到训练循环中的先前方法不同，RIPPLE 使用客户端数据的谱表征离线计算聚类分配。该方法涉及小波散射变换（Wavelet Scattering Transform）和高斯混合模型变分自编码器（Gaussian Mixture VAE），通过避免梯度暴露来减少通信开销并增强安全性。该框架确保缺席训练…
-
小波散射变换识别脑电图数据中的精神分裂症生物标志物
研究人员开发了一种新颖的框架，使用小波散射变换（WST）从静息态脑电图数据中识别精神分裂症的生物标志物。该方法通过分析对该疾病病理生理学至关重要的幅度调制动力学和跨频率耦合，解决了先前方法的局限性。WST框架结合严格的交叉验证和SHAP可解释性，在精神分裂症分类中达到了90.48%的准确率，突显了时间幅度调制作为关键的电生理学特征。
-
Rust HNSW 库增加了通用距离函数支持
一位开发者创建了一个名为 `vector-index` 的新 Rust 库，以解决现有近似最近邻 (ANN) 搜索库的局限性。识别出的主要问题是距离函数的硬编码，这阻止了使用非标准度量（如 Sliced-Wasserstein 距离）。这个新库引入了一个通用的 `Metric` trait，允许用户在分层可导航小世界 (HNSW) 算法中实现和使用任何距离函数，包括自定义函数。
-
小波散射变换提高了语音深度伪造检测的准确性
研究人员开发了一系列新的特征提取器，称为 WST-X，利用小波散射变换 (WST) 来改进语音深度伪造检测。该方法结合了手工制作特征的可解释性与 SSL 特征的高级信息捕获能力。在 Deepfake-Eval-2024 等基准测试上的实验表明，WST-X 通过有效识别细微的声学异常，显著优于现有方法。