- 机器人学习在流形上的非参数回归
本研究提出了一种在机器人学习中处理非欧几里德流形数值数据的本质方法,该方法通过在流形上选择适当的概率分布,并将其参数作为预测变量的函数进行非参数化估计,同时结合核函数的局部似然方法,实现了比投影算法更好的预测准确性。
- 使用 Node2Vec 学习得到的嵌入进行社区检测和分类保证
通过对大型网络的节点进行嵌入,得到欧几里德空间中的表示是现代机器学习中的一个常见目标,该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析,证明了其在聚类任务中表现出较弱的一致性,并对其在网络数据中的应用进行了讨论。
- 欧氏空间和嵌入空间中基于边界感知的点聚类方法用于屋顶平面分割
通过使用多任务深度网络在欧几里德空间和嵌入空间中构建的点聚类方法来解决屋顶平面分割中边界问题,并构建了合成数据集和真实数据集验证了该方法的显著优越性。
- 离散几何空间中鲁棒聚类的参数化逼近
本文介绍了 Robust k-z 聚类和其在度量空间、算法公平性、欧几里得空间和 FPT 近似等领域的应用,提出了相应的算法,其中在特殊的欧几里得空间中得到了较好的近似结果。
- 融合流形图神经网络
我们提出了一种融合不同黎曼流形嵌入的图神经网络 (FMGNN) 架构,通过选择地标和几何核心集使不同流形之间的顶点嵌入通过不同流形之间的距离相互作用和对齐,进而在顶点分类和链路预测任务方面取得了比强基线更优秀的表现。
- 几何交互知识图谱嵌入
本文阐述了通过将知识图谱嵌入欧几里得空间、双曲空间和高维球面空间,提出了一种基于几何交互方法的知识图谱嵌入(GIE)。实验结果表明,与其他嵌入方法相比,GIE 在三个知识图谱数据集上的表现更加优异。
- EMNLP词嵌入空间中欧式与基于图的双语词汇表归纳分析
本文研究了欧几里得空间和加权图上节点的情况下双语词汇诱导问题,并展示了结合两种方法的优势。
- ICLR等距不变和等变图卷积网络
我们提出了一种基于图卷积网络的一组变换不变和等变模型,称为 IsoGCNs,并证明了该模型在几何和物理模拟数据相关任务上具有竞争性能.
- 球面文本嵌入
通过基于球形生成模型设计的 Riemannian 优化算法,在球形空间中实现无监督文本嵌入并在各种文本嵌入任务中达到了最新成果,包括词相似性和文档聚类。
- ICCVKPConv:用于点云的灵活可变形卷积
Kernel Point Convolution(KPConv)是一种新的针对点云进行卷积的设计,其卷积权重位于欧几里得空间中的核点,能够适应任意数量的核点,由于其具有连续性,可以学习适应局部几何特征的形变卷积,并可用于许多复杂和简单任务的 - 测度范数样条曲线:最优输运视角
本文介绍并讨论了通过最优输运的框架,从欧几里得空间中的点扩展到概率测度中的样条曲线,以此解决(经验)概率测度平滑插值的问题。
- NIPS本地相似性感知深度特征嵌入
本文提出了一种自适应于本地功能结构的相似度度量,由于有利于选择真正的艰难样本来指导深度嵌入学习,并且具有更快收敛和提高性能的优势,在复杂的图像检索数据集上表现优异。
- 基于欧几里得到黎曼度量学习的视频人脸识别
本文提出了一种新的度量学习框架,以学习欧几里得空间和黎曼流形之间的距离度量来融合一个视频中人脸的平均外观和模式变化,该框架可以处理基于视频的人脸识别的三种典型任务:从视频到静态图像、从静态图像到视频和从视频到视频的设置。
- 局部搜索在双倍指标下为 k-Means 提供 PTAS
使用局部搜索启发式策略,本文证明了在任何固定维度的欧几里得空间中,k-means 问题均可提供 PTAS。
- k-means 问题的改进与简化无法近似性
研究了 k-means 问题在 Euclidean 空间中寻找 k 个中心使得所有点到离它们最近中心的距离平方和最小,证明了该问题的近似难度是 NP-hard,并且提出了最小近似系数 1.0013。
- 线性信息耦合问题
本文发展了一种概率分布空间上的几何结构,应用于解决信息理论问题,特别是单字母化的问题,并通过构建坐标和内积等工具将信息传输问题转化为线性代数问题。
- 超越局部敏感哈希
提出了一个新的数据结构用于解决欧几里得空间中近似最近邻问题,其查询时间和空间复杂度分别为 O (n^ρ + dlogn) 和 O (n^(1+ρ)+dlogn),这是对先前算法性能的改进,同时也是第一个突破已有局部敏感哈希下界的数据结构。并 - 球码的球填充界限
该论文通过简单的几何论证改进了 Kabatiansky 和 Levenshtein 于 1978 年提出的上界,同时将其扩展到超空间包装,提高了先前已知界限。此外,还证明了 Cohn-Elkies 线性规划边界总是至少与 Kabatians - NIPS使用成对比较的主动排名
使用少于 $n log_2 n$ 次的自适应选择的成对比较,该算法可特征一系列对象的排序,前提条件是该对象在 $d$ 维欧几里得空间中,其排名反映了相对于 $R^d$ 中的公共参考点的相对距离。
- Bernoulli 和亚高斯集合的均匀不确定性原理
针对 Bernoulli 随机矩阵的均匀不确定性原理问题,提出一种简单的解决方案。通过任意提取 m 个列的子矩阵,证明 k*n 的矩阵是到欧几里得空间同构的倍数的极限。给出了最优的 m 估计值,并给出了稀疏向量重建问题的简短自包含解决方案。