标签
该论文提出了平滑秩 t-SNE（SR-tSNE），这是一种 t-SNE 变体，通过可微的 sigmoid 秩项保留近邻的排序，并提出了序数 DLP 指标；该方法在八个基准测试中优于 12 种基线方法，并提升了标签迁移、单细胞聚类和算法交易等下游任务的表现。
论文提出 Geodesic-SVDD 框架，通过球面原型学习和测地线潜在空间混合增强，实现单轮通信的分布式表格数据学习，在多个联邦学习基准上超越现有方法和联邦树集成。
本文提出了变分图册自编码器，这是一种混合坐标图框架，可在数据流形上学习多个局部潜在表示，并通过基于潜在证据的路由机制，将坐标图分配视为自监督后验推断，从而在 CelebA 等数据集上获得结构更优的潜在空间和质量更高的生成样本。
FlashDiffusion 是一种无矩阵方法，在融合的 GPU 分块中计算稠密高斯基核块，并将特征值求解器与经验 beta-flow 耦合，以选取有限样本下的分辨率尺度，从而避免扩散映射谱分解中的 O(N^2) 内存开销。
本文通过将记忆表述为 Epanechnikov 核密度模态搜索，在 Riemann 流形上构建了内在的稠密联想记忆，表明曲率——借助 Ricci 曲率阈值与测地线容量标度律——决定了这类记忆会保留、创造和遗忘哪些内容，并在 WordNet 名词层级结构上进行了验证。
本文提出了一种用于核化图构建的自适应谱带宽控制方法，旨在使核谱性质与内在流形维度对齐，展示了在CIFAR-100上的自监督学习嵌入任务中的改进。
本文提出一种针对通用编码计算的流形感知编码策略，该策略利用高维数据的内在低维几何结构来提高分布式系统中的抗滞后性。实验表明，在神经网络推断和多项式求值任务中，该策略显著降低了均方恢复误差。
本文提出了一种无监督框架，结合流形学习和可解释图嵌入，以解决视觉表示中的几何和可解释性差距，提升图像检索和GCN分类任务的性能。
本文提出LA-ReduNet，一种轻量级自适应架构，该架构采用超球面流形学习和自适应步长，以显著减少神经网络中MCR2目标所需的层数，并用更少的参数实现相当的分类准确率。
本文介绍了一种数据驱动框架，结合监督分类和生成建模，用于重建多稳定动态系统中的分离子，利用神经网络和基于评分的生成模型来近似吸引盆的边界。
一篇批评神经网络研究中常见地将优化与学习混为一谈的文章，主张训练应被理解为逆向重建，并通过权重定义的分段流形的演化同调来研究。
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。