使用 Riemannian 几何工具研究了概率生成降维模型的几何结构,以高斯过程为基础,定义了一种度量分布,利用度量在潜变量空间中进行插值并测量距离,从而更恰当地生成新数据。
Nov, 2014
研究了深度生成模型所学习的流形的黎曼几何,并提出了计算测地线和沿流形路径平行传递切向量的算法,发现这些模型学习的流形近似于零曲率,并探讨了这种现象的实际影响。
Nov, 2017
该研究论文探讨了在低维非线性子空间中数据集存在的问题,通过对称黎曼几何设置的合理数据分析工具进行研究,提出利用微分同胚来引导深度学习构建适合数据分析的不同类型的拉回几何,并通过数值实验验证了理论预测。
Mar, 2024
本文介绍了一种快速且鲁棒的方法来近似计算多变量正态分布之间的 Fisher-Rao 距离,同时将正态分布流形通过微分同胚嵌入到高维对称正定锥面的子流形中,并使用锥面上的投影 Hilbert 距离作为距离度量,通过拉回锥面距离来获得正态分布之间的距离和平滑路径,这种方法在计算复杂度上比 Fisher-Rao 距离近似方法更轻量级,在聚类任务中具有应用价值。
Jul, 2023
通过将 Riemannian 几何的思想应用到该领域,我们提出了一种基于最短路径计算的距离度量方法,可以获得基于原则的距离度量,提供深度生成模型的视觉检查工具和运动泛化工具。
通过将环境空间视为黎曼多维流形,可以利用相关的黎曼度量对领域知识进行编码,通过环境度量的仔细设计我们可以确保最短路径的行为表现良好,实验结果表明,我们的方法可以提高随机和确定性生成器的可解释性。
Aug, 2020
通过在来自聚合近似后验的有限样本图中找到最短路径,我们提出了一种解决高维空间中数据相似性计算的方法,并在图像数据的多个实验中进行了验证。
Dec, 2018
本论文研究基于 Riemannian 几何的新方法,探索深度神经网络在流形之间的映射及其导致的结构,指出其 pullbacks 在其他流形上生成了诱导偏度量空间的退化 Riemann 度量,给出了这种映射的理论性质,并在实用神经网络中应用其几何框架
Dec, 2021
本研究提出了一种基于 Riemannian geometry 的扩展的变分自编码器框架,可以学习平面的潜在流形,通过约束优化问题和使用更具表达力的层次先验代替紧凑先验,使得在保留直线状方法的计算效率的同时,能够在视频跟踪基准测试中接近监督学习方法的性能。
Feb, 2020
为了改善模型性能,最近的研究提出通过使潜空间的几何特征与基础数据结构对齐来提升机器学习模型。本文引入了一种使用 Gromov-Hausdorff 距离计算候选潜空间几何之间距离的新概念,提出了使用估计的 Gromov-Hausdorff 距离来搜索最佳潜空间几何的图搜索空间算法。本文描述了计算模型空间之间 Gromov-Hausdorff 距离的算法及其计算实现。
Sep, 2023