Este contenido introduce mHC, o Hiperconexiones Restringidas por Variedades, un enfoque novedoso probablemente en el campo del aprendizaje automático o la teoría de grafos. Sugiere un método que integra el aprendizaje de variedades con estructuras de hipergrafos para una representación o modelado de datos mejorado.
Esta investigación propone redes neuronales dinámicas incrustadas en grupos de Lie (LieEDNN) y algoritmos de aprendizaje correspondientes para lograr dinámicas estables y aprendibles en variedades subyacentes. Aprovecha las potentes capacidades de representación de los grupos de Lie para abordar desafíos en interacciones de redes neuronales y espacios de representación no lineales, con aplicaciones en robótica, gráficos y control.
Este artículo ofrece una explicación teórica sobre la eficiencia de los modelos de difusión al aprender la función de score para datos de alta dimensión en variedades de baja dimensión. Identifica un mecanismo de "colapso y refinamiento" impulsado por la geometría de la función de score, donde el mapa de eliminación de ruido se proyecta en la variedad de datos y refina la densidad intrínseca.
Este artículo estudia la geometría local de las nubes de incrustación inducidas por clases controladas de oraciones semánticamente cercanas. Los autores introducen un esquema de modelado geométrico local y un procedimiento de sondeo latente para analizar el espacio de representación y modelar variedades locales.
Este artículo presenta ManiF-SMC, un nuevo método para el desaprendizaje automático aproximado que aborda las limitaciones de los enfoques actuales. Reformula el desaprendizaje como el desplazamiento de las representaciones del manifold de las muestras borradas hacia los vecinos semánticos de los datos retenidos, buscando la equivalencia con el reentrenamiento.