Ce contenu présente mHC, ou Hyper-Connexions Contraintes par une Variété, une nouvelle approche probablement dans le domaine de l'apprentissage automatique ou de la théorie des graphes. Il suggère une méthode intégrant l'apprentissage de variétés avec des structures d'hypergraphes pour une représentation ou une modélisation améliorée des données.
Cette recherche propose des réseaux de neurones dynamiques intégrés aux groupes de Lie (LieEDNN) et les algorithmes d'apprentissage correspondants pour obtenir des dynamiques apprenables et stables sur des variétés sous-jacentes. Elle utilise les puissantes capacités de représentation des groupes de Lie pour relever les défis des interactions de réseaux de neurones et des espaces de représentation non linéaires, avec des applications en robotique, en graphisme et en contrôle.
Cet article propose une explication théorique de l'efficacité des modèles de diffusion pour l'apprentissage de la fonction de score sur des données de haute dimension reposant sur des variétés de basse dimension. Il identifie un mécanisme de « collapse et raffinement » basé sur la géométrie de la fonction de score, où le mappage de débruitage se projette sur la variété de données et affine la densité intrinsèque.
Cet article étudie la géométrie locale des nuages d'intégration induits par des classes contrôlées de phrases sémantiquement proches. Les auteurs introduisent un schéma de modélisation géométrique locale et une procédure de sondage latent pour l'analyse de l'espace de représentation et la modélisation des variétés locales.
Cet article propose ManiF-SMC, une nouvelle méthode de désapprentissage automatique approximatif qui corrige les limites des approches existantes. Il reformule le désapprentissage comme le déplacement des représentations de variétés des échantillons effacés vers les voisins sémantiques des données conservées, visant l'équivalence avec le réentraînement.