流形学习相关 AI 资讯 · AI 热点

7月8日

11:53

11:53

官方账号arXiv cs.LG@Przemysław Rola

EntroPath是一种新的流形学习方法，利用最大熵随机游走（MERW）聚合点之间k步路径全体来构建不相似度，避免局部随机游走的密度集中和最短路径的捷径噪声。其自由能不相似度在短时间极限下通过Varadhan热核公式收敛到平方测地距离。在合成流形和单细胞基准测试中，EntroPath一致优于扩散方法和最短路径方法，在非均匀采样密度流形和分支轨迹上优势明显，与UMAP、t-SNE本地结构指标持平。

论文 EntroPath MERW 流形学习单细胞

推荐理由：这篇论文提出了一种流形学习新方法，用路径集成替代单条路径，在非均匀数据上比UMAP更忠实于测地几何。

6月9日

13:08

13:08

官方账号arXiv cs.AI@Danqi Zhuang, Jisui Huang, Xiaoyue Xi, Andrew Kiggins, Xiaojie Wang, Ke Chen, Yue Wu

标准扩散模型通常使用单一高斯分布作为终端参考分布，这难以捕捉数据在低维流形上的结构。PTL-Diffusion 提出一种新的前向噪声过程，其终端分布不再是单一不变分布，而是一族周期性的高斯分布，从而将相位结构直接嵌入前向动力学。该方法推导了封闭形式的前向边缘分布、周期高斯终端族和显式高斯反向后验，并引入不变平均正则化项来耦合相位条件反向动力学。在环面、圆柱点云和 Olivetti 人脸数据集上的实验表明，PTL-Diffusion 在流形级别的分布匹配上优于标准 DDPM，减少了相位条件误差、特征空间协方差误差和最近邻流形距离。这项工作为结构化终端参考分布提供了有前景的方向。

论文扩散模型流形学习周期终端分布生成模型 PTL-Diffusion

推荐理由：做生成模型的研究者会发现，PTL-Diffusion 用周期终端分布解决了流形结构丢失的痛点，在低维流形数据上效果明显，值得在点云或人脸生成任务上试试。

5月11日

11:44

11:44官方账号arXiv cs.LG（学术论文）

论文提出STEPS方法，解决时序预测在分布偏移下测试时自适应（TTA）中的弱可识别性、误差累积和不稳定长时修正问题。该方法将TTA重新定义为时间流形上的狄利克雷边界值问题，利用局部求解器传播前缀误差的时序平滑性，全局求解器获取跨窗口误差记忆，并通过时空流形融合（SMF）整合两者进行最终矫正。在六个标准基准和四个冻结骨干网络上，STEPS相比零样本骨干平均相对MSE降低26.82%，超过最强TTA基线12.77%。额外稀疏前缀和污染测试验证了该方法在有限和噪声前缀下的鲁棒性。

论文时序预测测试时自适应分布偏移流形学习

推荐理由：该工作首次将时序预测TTA严格建模为微分方程问题，提供了理论清晰的优化视角，并在稀疏噪声数据下表现显著优于现有方法，对实际部署中的低质量观测场景具有重要参考价值。