通过置换不变网络将样本从概率测度映射到低维空间,使编码样本之间的欧几里得距离反映概率测度之间的 Wasserstein 距离,进一步证明了该网络可以推广到正确计算未见密度之间的距离,并且可以学习到概率分布的第一和第二矩。
Oct, 2020
本文提出了一种通用的神经网络架构来逼近对称函数,结合草图思想开发了一种能够逼近点集间 $p$-th Wasserstein 距离的特定和高效神经网络,经验结果表明该网络的性能明显优于其他模型,有望在解决各种几何优化问题中发挥作用。
Aug, 2023
利用深度学习的生成模型对分子和材料进行快速的预测,同时引入了一种能够识别非键合作用和立体异构体,并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。
Jun, 2019
研究点云上函数学习的神经网络结构具有形状不变性,首先推导出两个充分条件以获得普适逼近性能,在此基础上设计了两个新的普适网络结构。
本文介绍一种利用同配网络和解码器实现对 Wasserstein 距离进行逼近的方法,该方法可用于快速处理优化问题,如重心、主要方向或原型,在图像数据集上已经进行了实验。
Oct, 2017
通过引入一种新颖的图网络架构,它对于保持相邻节点距离的所有坐标嵌入的任何变换都具有等变性,特别是在 $n$- 维中具有欧几里得和共形正交群等变性,从而使得所提出的模型相对于传统图形架构更加数据高效,并且本质上配备了更好的归纳偏差。我们表明,通过少量数据的学习,我们提出的架构可以完全推广到合成问题中的未见数据,而标准模型需要更多的训练数据才能达到可比较的性能。
Jun, 2021
本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制,并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量,这一方法可以有效地优化潜在空间的优化等应用,并便于解释变换维度。
Jan, 2021
介绍了局部等变于 3D 旋转,平移和点的排列的张量场神经网络;使用球谐函数构建滤波器,接受标量、向量和高阶张量作为输入,并在几何意义下保证输出。用于处理几何、物理和化学任务。
Feb, 2018
该研究提出了一种基于概率模型和欧几里得距离几何学的分子生成模型,并且在分子构象生成的新基准测试中显示其具有最先进的准确性;最后,展示了如何将该模型用作重要采样方案中的提议分布来计算分子属性。
Sep, 2019
该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构,可以用于人脸的生成学习任务。
Jun, 2023