- Brightearth roads: 从卫星影像实现全自动道路网络提取
通过使用高分辨率卫星影像,我们提出了一种完全自动化的流程来从图像中提取道路网络,结果表明与 OpenStreetMap 数据相比,该方法能够提供最新的道路设计和精确的道路位置。
- 网络回归的最优输运方法
我们研究了网络回归问题,通过基于弗雷歇平均和使用 Wasserstein 度量的广义回归模型,提出了一种网络回归方法。通过将图形表示为多变量高斯分布,我们展示了网络回归问题需要计算一个 Riemannian 中心(即 Frechet 平均) - 深度回归表示学习与拓扑
该研究论文通过研究回归表示的拓扑结构及其与信息瓶颈原则之间的关系,引入了一种名为 PH-Reg 的回归特定正则化方法,实验结果表明其带来的益处。
- 描述拓扑对图学习任务的影响
该研究提出了一种度量指标 TopoInf,用于衡量图的拓扑结构对下游任务的影响,并通过上下文随机块模型的解耦 GNN 进行分析,证明了该度量指标的有效性。通过大量实验证明 TopoInf 是衡量拓扑影响的有效度量,并可进一步用于增强图学习。
- 骨架召回损失用于细管状结构连通性保持和资源高效分割
提出了一种新的骨架召回损失,通过绕过昂贵的 GPU 计算,采用廉价的 CPU 操作,解决了薄结构分割中的计算和内存负担问题,并在保持拓扑性方面表现出卓越性能。
- 用去噪扩散的隐式神经场表示解剖树
使用隐式神经表示和去噪扩散方法准确捕捉任意分辨率下解剖树的几何和拓扑,实现高保真度的树结构重建,同时具备储存紧凑、适用于各解剖部位和树结构复杂性的特性。
- WWW跨空间自适应滤波器:融合图拓扑和节点属性以缓解过度平滑问题
本文提出了一种称为 CSF 的跨空间自适应滤波器,可以从拓扑和属性空间中提取自适应频率信息,解决了过度平滑问题并提升了节点分类任务的有效性。
- 基于拓扑结构的去重构防护技术在去中心化学习中的应用
分布式学习中的隐私保护求和,在无环网络中无法重构隐私数据,而基于拓扑结构的去重构攻击是首次的拓扑学方法。
- 局部 Borsuk-Ulam 定理,稳定性和可复现性
使用并改编拓扑学中的 Borsuk-Ulam 定理来推导对列表可复制和全局稳定学习算法的限制,在组合学和拓扑学中进一步展示了我们方法的适用性,并发现在无初始假设能力类设置下,列表可复制和全局稳定学习均不可能。
- 通过混合坐标的拓扑学习运动数据
将拓扑信息应用于多输出高斯过程模型以进行迁移学习,在这篇论文中,我们通过将循环坐标的框架扩展为混合值坐标的框架来考虑时间序列中的线性趋势,以实现这一目标,并提出了使用拓扑诱导聚类来构建聚类基于核心的多输出高斯过程模型的方法。
- URLOST: 无监督学习表示,不需要稳定性和拓扑学
无监督表示学习在处理高维数据模态时受限于数据特异性的稳定性和拓扑性,而生物智能系统却没有这样的限制。我们引入了一个新的框架,从缺乏稳定性和拓扑性的高维数据中进行学习,通过可学习的自组织层、密度调整的谱聚类和掩码自编码器的结合,我们的模型在生 - 基于热量和波动动力学特征的图拓扑属性恢复
我们提出了图差分方程网络(GDeNet),通过利用图上的偏微分方程解的表达能力,获得各种下游任务的连续节点和图层次的表示。我们推导出理论结果,将热方程和波动方程的动力学与图的谱特性以及图上连续时间随机游走的行为相连接。我们通过实验证明这些动 - 参数化量子电路的块环连接拓扑
在变分量子算法中,选择高效的参数化量子电路拓扑非常重要。然而,现有电路存在的问题是参数太多导致优化困难或者性能难以保证。如何在不降低性能的情况下减少参数数量成为了新的挑战。为了解决这个问题,我们提出了一种新的拓扑结构,称为 “Block-R - ICML从拓扑学中学习:从大尺度结构中进行宇宙参数估计
我们提出了一个神经网络模型,通过映射持续图像到宇宙学参数,准确且精确地估计宇宙学参数,显著优于传统的贝叶斯推断方法。
- 机器学习和拓扑数据分析鉴定三维扫描中人类乳突的独特特征
通过 3D 显微扫描等技术研究舌乳头形状的几何和拓扑特征,结合机器学习等方法,揭示了舌乳头在形状和种类上的多样性、个体间的差异性,为食品偏好和口腔诊断研究提供了新思路。
- 从流形学习的角度看深度神经网络架构
本文旨在比较和描述神经网络结构在几何和拓扑方面的内部表示和层间数据流动的拓扑和几何动态变化,并使用拓扑数据分析和持久性同调分形维数的概念,通过不同层次的数据集以及卷积神经网络和转换网络在计算机视觉和自然语言处理任务中的各种配置的广泛实验,为 - 神经网络中度量空间和泛化能力
本文介绍了一种用 topology 中的新型不变量.magnitude 对深度神经网络中的内部表示进行研究、并提出了一种新方法来确定其泛化能力。我们在理论上连接了 magnitude 维度和泛化误差,实验结果表明,所提出的框架可以成为泛化误 - 使用机器学习寻找丝带
本文将贝叶斯优化和强化学习应用于拓扑学中一个问题:判断一个结构是否能包裹在一个带状圆盘内,并将程序应用于四维平滑 Poincaré 猜想的反驳,成功排除了许多潜在的反例,并在 70 个交叉点范围内检测出许多带状结构。
- AAAI姿态导向的不确定性引导下的 Transformer 对 2D 到 3D 人体姿态估计进行精细优化
本文提出了一种姿势导向的自注意机制和基于距离的位置嵌入的 Pose-Oriented Transformer (POT) 以明确利用人类骨骼拓扑,并通过考虑每个关节的预测不确定度进行不确定性引导的采样策略和自注注意机制来优化 POT 的姿态 - 用进化功能化的人工神经网络
提出了一种基于张量微积分和拟达尔文机制的混合模型,用于寻找适合于策略、控制和模式识别任务的拓扑结构,并且能够在早期演化阶段提供适应的拓扑结构,从而在机器人,大数据和人工生命等领域得到应用。