ICLROct, 2022

可解释的几何深度学习 —— 基于可学习的随机注入技术

PDF
TL;DR本文介绍了可应用于科学分析和实验的一种通用机制 —— 可学习性随机注入（LRI），其基于通用几何深度学习（GDL）骨干结构构建 inherently interpretable 模型，LRI 诱导的模型可以检测到携带预测标签指示信息的点云数据中的点。作者还提出了四个实际科学应用的数据集，覆盖高能物理和生物化学领域，以评估 LRI 机制，并证明它相对于先前的事后解释方法更稳健。
point cloud datageometric deep learninglearnable randomness injectionscientific analysisdatasets
发现论文，激发创造
  • 旋转不变的点云分类方法：局部几何与全局拓扑相结合

    本文介绍了一种新的方法来实现点云数据的旋转不变性，使用局部几何特征和全局拓扑特征相结合的局部 - 全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征，并在模型识别任务上取得了最先进的效果。

    Nov, 2019

  • 深度学习的拓扑可解释性

    本研究介绍了一种利用拓扑和几何数据分析技术来推断临床和非临床文本的两个深度学习分类模型中的突出特征的方法，并通过概率度量距离获取诊断模型决策信息的稳定性来证明这一方法的可行性。

    May, 2023

  • RangeLDM：快速逼真的 LiDAR 点云生成

    通过引入 RangeLDM，我们提出了一种快速生成高质量 LiDAR 点云的新方法，通过深度生成模型、变分自编码器和扩散模型来解决传统方法中的限制，从而在自动驾驶中获得稳健的表现和快速生成速度。

    Mar, 2024

  • 几何引导式的整合梯度

    本文提出了一种基于深度神经网络模型参数空间局部几何性质的解释性方法 —— 几何引导的积分梯度法，在主观和量化评价方面表现优于传统的积分梯度法和总体梯度法，并提出了 “模型扰动” 的健全性检查，以补充传统的 “模型随机化” 测试。

    Jun, 2022

  • GeoLRM：几何感知大规模重建模型用于高质量三维高斯生成

    该研究介绍了一种名为几何感知大型重建模型（GeoLRM）的方法，该方法可以使用 512k 个高斯函数和 21 个输入图像在仅需 11 GB 的 GPU 内存中预测高质量的资源。该模型通过引入一种新颖的三维感知变换器结构和可变形交叉注意机制来解决现有方法在表达低分辨率和提高质量的密集视图方面的局限性，实现了三维结构和二维图像之间的有效融合，并在三维生成任务中表现出显著的性能优势。

    Jun, 2024

  • 利用去噪扩散概率模型合成 LiDAR 数据

    通过使用 R2DM 模型和 DDPMs 方法，本研究提出了一种新的用于生成 LiDAR 数据的生成模型，该模型可以基于图像表示生成多样性和高保真度的 3D 场景点云，有效地优化了 KITTI-360 和 KITTI-Raw 数据集的生成任务以及 KITTI-360 数据集的上采样任务。

    Sep, 2023

  • 代数学习：走向可解释信息建模

    以代数学习（Algebraic Learning）为核心的人工智能（AI）范式被提出，采用两个方法（即引导模型设计和二级测量）以增强模型的可解释性，弥补深度学习模型难以解释的不足。

    Mar, 2022

  • GLiDR: 基于拓扑约束的稀疏激光雷达点云生成网络

    稀疏的 LiDAR 点云常常导致静态结构的细节丢失严重，并减少了用于导航的静态点的密度。本文提出了一种利用全局拓扑信息推断静态结构的方法，通过构建骨架并在静态结构上生成新的点，以克服稀疏性问题。我们提出了 GLiDR，这是一个通过 0 维持久同调约束实现拓扑规范化的图生成网络。GLiDR 使用比基准方法更少的动态扫描点生成更精确的静态点，并在三个数据集上表现出更好的性能。GLiDR 还能生成准确的静态和动态对象的二值分割掩模，有助于导航规划和有限环境中的安全性。

    Nov, 2023

  • 一般低资源信息提取的渐变模仿强化学习

    本文研究了利用低资源信息抽取（LRIE）的方法，实现从未标注数据中学习信息抽取任务。我们提出了一种名为 Gradient Imitation Reinforcement Learning（GIRL)）的方法，使用强化学习方法来鼓励伪标签数据模仿有标签数据的梯度下降方向，从而在低资源情况下，提高命名实体识别、关系提取和事件提取任务的性能。

    Nov, 2022

  • 基于动态链接的图卷积网络：通过链接层级特征学习点云

    本文提出了一种基于图卷积神经网络的 LDGCNN 模型，用于直接分类和分割点云。通过理论分析、可视化和实验验证，证明了 LDGCNN 在 ModelNet40 和 ShapeNet 数据集上的优异性能。

    Apr, 2019