利用 LAMINAR 学习局部自适应度量以增强结构表征
机器学习
2024-11-14 v1
摘要
我们提出 LAMINAR，一种新颖的无监督机器学习流水线，旨在通过生成更具信息量的距离度量来增强数据中结构的表征。物理科学中的分析方法常依赖标准度量来定义数据中的几何关系，这可能无法捕捉复杂数据集的潜在结构。LAMINAR 通过使用连续归一化流和逆变换采样，在数据空间中定义一个黎曼流形，而无需用户预先指定数据上的度量。结果是一个局部自适应度量，能产生结构信息丰富的基于密度的距离。我们通过将其输出与欧几里得度量在结构化数据集上的对比，展示了 LAMINAR 的实用性。
引用
@article{arxiv.2411.08557,
title = {Learning Locally Adaptive Metrics that Enhance Structural Representation with $\texttt{LAMINAR}$},
author = {Christian Kleiber and William H. Oliver and Tobias Buck},
journal= {arXiv preprint arXiv:2411.08557},
year = {2024}
}
备注
Accepted to the NeurIPS 2024 Machine Learning and the Physical Sciences workshop. 6 pages, 6 figures