关键词equivariant representations
搜索结果 - 9
- 上下文对称性:通过上下文世界模型进行自监督学习
通过关注上下文,我们提出了一种能够对不同变换具有适应性的通用表示学习算法,该算法通过学习等变性而不是不变性,使模型能够在给定少量示例作为上下文时,将所有相关特征编码为通用表示,并在等变性相关任务上展现出明显的性能提升。
- 从肽到纳米结构:一种用于快速且稳定的机器学习力场的欧几里德变换器
近年来,在基于第一性原理参考计算的机器学习力场(MLFFs)的发展方面取得了很大进展。我们的研究发现了 MLFFs 中具有等变表示的分子动力学模拟的稳定性存在潜在联系,但其计算成本可能限制了其实际优势。为了解决这个问题,我们提出了一种称为 - 自监督学习分离不变等变表示
本文介绍了一种基于超网络的预测器,结合了不变和等变的表示形式,以学习更丰富的表示,进而在等变性相关任务中获得显著的性能提升。同时,本文还介绍了一个名为 3DIEBench 的数据集,其中包含来自 55 个类别的 3D 模型渲染超过 250 - 知识图谱补全的双重置换等变性
本文提出了一种新的 Knowledge Graphs 表示形式:双重置换属性图,并介绍了一种实现该表示形式的神经网络架构,该方法在逻辑推理任务上实现了 100%的准确性。
- MM非自由群作用的等变表示
本研究介绍了一种方法,用于学习相对于数据的一般群作用等变的表示。该方法适用于非自由的行动,即通过非平凡的对称性稳定数据的行动。该方法基于群论中的轨道稳定子定理,保证理想学习者推断同构表示。最后,我们对具有旋转对称性的图像数据集进行了实证研究 - 同态自监督学习
本文提出了一种称为同态自监督学习的通用框架来统一和概括现有许多自监督学习算法,理论上展示了它如何包括输入增强,提供增强同态特征提取器,在简单的增强实验中进行验证,同时进一步地探索了该框架的参数与传统基于增强的自监督学习的参数之间的关系,并讨 - 通过分布对齐特征相似度实现自监督地标估计
本文介绍了一种 LEAD 方法,用于从未注释的类别特定图像集合中发现地标。通过采用两阶段训练方法,该方法增强了自监督学习中密集等变表示的学习,并在极度有限的注释数下提高了地标检测的性能,同时提高了跨尺度变化的泛化能力。
- 自旋加权球面卷积神经网络
介绍了一种新型球形卷积神经网络,使用自旋加权球形函数,实现在球形空间内的非均向滤波,适用于分类球形图像、3D 形状和球形全景图像的语义分割,并在实验中展现了优越性。
- 深度旋转等变网络
作者提出了一种基于循环层、单调层和去循环层的深度旋转等变网络(Deep Rotation Equivariant Network),该网络可在滤波器层进行旋转变换,而不是特征映射层,从而显着提高了运行速度,减少了存储空间,并在 Rotate