- 使用度量约束艾可纳尔方法计算流形上的距离和均值
在这篇论文中,我们介绍了度量约束 Eikonal 求解器,用于在流形上获取连续、可微的距离函数的表示。这些可微的表示的特性使得在流形上直接计算全局长度最小路径成为可能。我们展示了在不同流形上使用度量约束 Eikonal 求解器的应用,并展示 - 图顶点嵌入:距离、正则化和社区检测
本文研究图嵌入的质量以及其在社区检测方面的有效性,通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离,将顶点嵌入作为距离矩阵的变换结果进行分析,并在多个基准数据集上进行评估。结果表明,该方法操作于降维表示,使得计算复杂度大为减少,且性能与传统 - 一种评估最近邻分类的统一加权框架
我们首次全面且大规模地评估了经典的最近邻(NN)、模糊最近邻(FNN)和模糊粗糙最近邻(FRNN)分类方法,同时我们发现 NN、FNN 和 FRNN 都与 Boscovich 距离表现最佳,NN 采用 Yager 距离权重的方式可以达到与 - 通过对称和逐因子不变函数的通用架构,神经逼近瓦瓦斯坦距离
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。
- 流式场景下的距离函数和归一化
模型分类时数据归一化很重要,处理数据流的数据规范化尤其具有挑战性,本文比较了在数据流中应用 8 种距离函数的准确性,结果表明,在不进行规范化的情况下使用原始数据流和 Canberra 距离可获得良好的结果。
- 从原始点云逐步学习具有一致性感知的无符号距离函数
本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法,以进行表面重建,同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明,在合成和真实扫描数据的表面重建方面,该方法在广泛使用的基准测试中明显优于现有 - hasSignification (): 一种支持个人数据检测的新距离函数
本文提出了一个自动化分析数据发现的解决方案,通过计算名称与字典中单词之间的距离,调用各种统计距离算法来计算属性名称的相似性,以优化知识库的属性自动发现。
- 结构数据的距离和相似性函数概述
本文主要综述了结构化表示形式下的距离函数 (或相似度函数) 在机器学习和人工智能中的应用,旨在为不同领域的研究提供参考和指明未来方向。
- 学习链接
研究数据驱动的算法选择和度量学习以在聚类问题中同时学习最佳算法和度量。我们的工作考虑从基础度量函数中学习的凸组合的距离函数集合,为此设计了有效的学习算法,并对这些技术进行了全面的实证评估,表明它们可以显著提高聚类性能。
- ICLR使用训练所提供的分歧量来量化评估 GANs
本文通过使用通常仅用于培训的散度和距离函数来对各种类型的 GAN 性能进行评估,观察了所提出的度量之间的一致性,发现测试时间指标并不支持使用相同训练时间标准的网络,我们还将所提出的度量与人类感知分数进行比较。
- MM基于概率分布距离函数的计算效率高的调制级别分类
本文提出一种基于概率分布距离函数的新颖调制水平分类方法,使用改良的 Kuiper 和 Kolmogorov-Smirnov 距离以实现低计算复杂度,并以模拟验证该方法的理论性能和使用 Kuiper 距离实现最佳分类精度。