图表示学习相关 AI 资讯 · AI 热点

7月31日

11:23

11:23

官方账号arXiv cs.LG@Md Joshem Uddin, Astrit Tola, Cuneyt Gurcan Akcora, Baris Coskunuzer

TopoFormer是一个轻量且可扩展的图表示学习框架，核心模块Topo-Scan通过节点或边过滤将图分解为有序的拓扑token序列。这些序列捕捉从局部模体到全局组织的多尺度结构，并交给Transformer生成图级嵌入。与依赖持久同调的管线不同，Topo-Scan完全可并行化，且省去昂贵的图计算。论文在多个图分类和分子性质预测基准上达到与强GNN基线和拓扑方法持平或更优的结果，并提供了拓扑编码稳定性的理论保证。

AI模型 TopoFormer 图神经网络拓扑

推荐理由：图学习想换新思路可以看这个：TopoFormer用扫描把拓扑结构变成token，喂给Transformer就行，比传统持久同调快还准。

5月14日

01:10

01:10

官方账号arXiv cs.AI@Luke James Miller, Yugyung Lee

针对大规模图像中微小稀疏结构分割的难题，SEMIR 提出了一种新的表示学习框架，将推理从原始像素网格解耦到拓扑保持的潜在图表示上。该方法通过参数化边收缩、节点和边删除，将网格图转化为紧凑、边界对齐的图小类，并保留从图预测到像素标签的精确映射。小类构建被形式化为少样本结构学习问题，通过边界 Dice 准则优化参数，使预测边界与目标语义边缘对齐。在 BraTS 2021、KiTS23 和 LiTS 三个肿瘤分割数据集上，SEMIR 在保持实用运行时间的同时，持续提升了小类结构的 Dice 系数。这项工作为高分辨率结构化视觉数据提供了一种学习任务自适应、拓扑保持潜在表示并支持精确解码的通用框架。

论文图表示学习视觉分割医学图像

推荐理由：做医学图像分割或处理极端类别不平衡问题的研究者，SEMIR 用图小类替代密集网格推理，既保持拓扑又降低计算量，值得关注其边界对齐的少样本学习思路。