分类表示学习与算法分类器的 RG 流算子
机器学习
2023-01-25 v1 无序系统与神经网络
人工智能
代数几何
范畴论
微分几何
摘要
继前两位作者早先提出的分类表示学习形式体系（arXiv:2103.14770）之后，我们讨论“基于 RG 流的分类器（categorifier）”的构造。借用量子场论中重整化群流（RG）、全息对偶和双曲几何的思想，并将其与神经 ODE 相融合，我们构建了一种新的算法自然语言处理（NLP）架构，称为 RG 流分类器或简称 RG 分类器，其能够在所有层中进行数据分类与生成。我们将该算法平台应用于生物医学数据集，并展示其在序列到功能映射领域的性能。特别地，我们将 RG 分类器应用于流感病毒的特定基因组序列，展示我们的技术如何能从给定基因组序列中提取信息、发现其隐藏对称性与主导特征、对其分类，并利用训练数据对与新病毒集合相关、可规避人体免疫系统的新合理生成序列进行随机预测。本文内容系前两位作者近期提交的美国专利申请的组成部分（美国专利申请号：63/313.504）。
引用
@article{arxiv.2203.07975,
title = {Categorical Representation Learning and RG flow operators for algorithmic classifiers},
author = {Artan Sheshmani and Yizhuang You and Wenbo Fu and Ahmadreza Azizi},
journal= {arXiv preprint arXiv:2203.07975},
year = {2023}
}
备注
31 pages, comments are very welcome