标签
提出HDE-Net，一种流形约束的深度神经网络，利用双曲空间更好地建模表格数据中的规则型结构，在TALENT-tiny-core基准上取得最先进性能，同时保持高效。
提出了LieBN，一种面向李群的批量归一化框架，适用于SPD流形、旋转流形和相关流形，具有理论保证并经过大量实验验证。
提出了一种强化学习框架，利用局部线性嵌入捕捉环境动态，并通过注意力机制自适应融合动态特定特征和奖励特定特征，受神经科学原理启发，提高了学习效率。
本文提出了一种芬斯勒图神经网络，该网络在点云上估计芬斯勒拉普拉斯算子，证明了收敛性，并展示了其在通过热扩散恢复芬斯勒度量方面的应用。
本文重新思考结构性异常检测，将重点从决策边界转向低维正常数据流形上的投影算子，证明投影对齐方法优于现有的基于边界和基于重建的方法。
本文认为，对于足够大的模型，未经过滤的数据可以通过提供弱扰动来提高泛化能力，这与通常认为只有高质量过滤数据才有益的假设相反。作者提醒，有害的条件偏移仍可能损害模型，但过度筛选可能会去除有用的扰动。
本文介绍了MGAP，一种无需训练的解码方法，通过自适应地仅抑制语言先验中的有害部分，同时保留模型的语义流形，从而减少多模态大语言模型中的幻觉。该方法在POPE和CHAIR基准测试上优于先前的基线方法。
本文介绍了一种名为Branched Neural Rough Differential Equations的方法，该方法通过结合粗糙路径理论与神经网络来学习流形和Itô动力学，从而能够对复杂的随机和几何结构进行建模。
本文提出了一种李群嵌入动态神经网络（LieEDNN）及其基于梯度下降和光滑流形度量投影的学习算法，能够在SO(3)和SE(3)等李群上实现稳定动力学，用于机器人学和控制应用。
本文提出用于自然图像的几何感知流匹配方法，将图像视为超球面上的点，并提出了SOT-CFM和SFM方法，通过利用图像数据的球面结构来改进生成建模。
本文探讨了稀疏自动编码器（SAEs）如何捕捉弯曲的神经几何，揭示了SAE特征表示流形的三种不同方式，并提出了一个无监督流程来揭示神经表征中的几何结构。
本文将大语言模型中的推理视为一种内在的动力学过程，发现推理时的表征会自组织成低维流形。文章提出了一种基于内部动力学的无标签诊断方法，以评估推理质量，表明有效的推理受到几何和信息约束的支配。
神经网络表面会说英文，但内部在几何空间里组织信息（曲线、环、曲面、流形），理解“神经几何”可能是理解、调试和控制模型的关键。