HH-SAE：发现与驾驭复杂流形的层次化知识
机器学习
2026-05-12 v1 人工智能
摘要
高维、任务关键领域中稀有的语义创新常被密集的背景上下文所遮蔽，这一挑战我们定义为“特征密度冲突”。我们引入混合层次化自编码器（HH-SAE）以解决此问题，通过将流形分解为嵌套的层次结构：情境层（）、原子层（）和构件层（）。在不同流形上进行评估，HH-SAE 显示出优异的分辨率，实现将“行政临床标签碎分为生理模式”，并在欺诈检测中实现峰值跨域零样本 AUC 为 0.9156。路径消失实验证了该架构的结构必要性，发现去除情境减法后工具价值崩溃 13.46%。最后，知识引导的合成实现了比最先进生成器高出 9.9% 的 AUPRC 提升，证明 HH-SAE 有效地优先考虑高阶机制创新而非环境代理，从而在高风险环境中实现高精度发现。
引用
@article{arxiv.2605.10536,
title = {HH-SAE: Discovering and Steering Hierarchical Knowledge of Complex Manifolds},
author = {Honghan Wu and Tianyan Wang and Jiacong Mi and Zhoyang Jiang and Yunsoo Kim},
journal= {arXiv preprint arXiv:2605.10536},
year = {2026}
}