Jun, 2019

基于持久同调的连通性优化表示学习

PDF
TL;DR通过使用一种新型的基于持续同调的损失方法控制自编码器潜空间的连通性，从而进行表示学习，以实现一类学习，并通过核密度估计器对类内分布进行建模的参数选择，所获得的结果表明具有竞争性能，且只需使用一个自编码器，在较小的样本数量下，即可显著地超过其他方法。
发现论文，激发创造
  • 拓扑自编码器

    该研究提出一种新颖的方法，利用持久性同调技术，在自编码器的潜在表示中保留输入空间的拓扑结构，以保存多尺度的连接信息。实验表明这种方法在合成流形和现实世界图像数据集上表现出良好的潜在表示，并保留了低重构误差。

    Jun, 2019

  • 利用持久同调改进自监督分子表示学习

    基于持久同调的自监督学习在分子表示学习中具有广泛的应用潜力，可以通过不同的数据视角、距离保持的稳定性和灵活性结合领域知识，提高嵌入空间的表示能力和预测性能，同时对非常小的数据集也能获得显著的改进。

    Nov, 2023

  • 基于持续同调的深度学习图像分割的拓扑损失函数

    提出了一种使用持久同调来训练神经网络在图像和体积分割中实现拓扑先验知识的方法，不需要地面真实标签，通过三个实验展示了该方法的有效性，将这种显式先验知识嵌入到神经网络分割任务中是最有益的。

    Oct, 2019

  • 基于持久同调的链路预测：交互视角

    该研究提出了一种基于扩展持久同调的拓扑特征，以编码连接节点的多跳路径的丰富的结构信息，并提出了一种图神经网络方法，优于不同基准的现有技术。此外，该研究还提出了一种更高效地计算扩展持久性图的算法，可以普遍应用于加速图学习任务中的许多其他拓扑方法。

    Feb, 2021

  • 重构持久同调在视觉识别中的应用

    本文旨在分析拓扑特征在不同训练场景下对图像分类的有效性，并讨论数据集的拓扑一致性问题对于分类性能的影响。

    Jul, 2022

  • 基于持久同调的深度学习图像分割的显式拓扑先验

    本文介绍了一种将拓扑先验知识显式纳入基于深度学习的分割的新方法，该方法利用拓扑数据分析中的持久同调的概念来捕捉分割结果的高级拓扑特征，并展示了其在心脏 MR 图像分割中提高分割性能的案例，同时保持像素精度。

    Jan, 2019

  • 通过持久同调的自适应拓扑特征：点云的拓扑学过滤学习

    提出了一个新的机器学习框架，利用神经网络学习适应性过滤，在点云数据中提取坚持同调，并通过神经网络架构实现同调的等变性。实验结果表明了该框架在几个分类任务中的有效性。

    Jul, 2023

  • 机器学习的拓扑层

    使用可持续同调应用于拓扑学于机器学习，包括深度学习。该研究提出了一种可微拓扑层，该层基于水平集过滤和边缘过滤计算持续同调。该层在数据重建或机器学习模型权重的规范化，构建构成深度生成网络输出的损失函数以包括拓扑先验，以及对使用持久性特征训练的深度网络进行拓扑对抗攻击等三种应用方面具有创新性。代码公开可用，有望促进深度学习和其他梯度基础应用中的持久同调的使用。

    May, 2019

  • 持久化图像：持久同调的稳定向量表达

    通过将 PERSISTENCE DIAGRAM 转换为 PERSISTENCE IMAGE，可以提高 machine learning 任务中鉴别拓扑信息的能力。

    Jul, 2015

  • PHG-Net：基于持久同调引导的医学图像分类

    我们提出了一种名为 PHG-Net 的方法，利用持久同调技术来探索医学图像分类中的拓扑特征，通过轻量级的 PH 模块将拓扑特征与卷积神经网络或 Transformer 结合，实现综合特征提取和融合，从而在目标分类任务中显著改善了现有方法。

    Nov, 2023