跳到主要内容
检索

# 持续同调

3 篇关联报道

订阅更新
  1. arXiv

    激活引导该插在哪一层:TopoSteer用位移点云的连通长度排序,免去留出集试跑

    激活引导在推理时向大模型内部表示加一个向量,但插在哪一层长期靠试:已有选择器只看两类激活是否可分、单条位移是否与均值同向,从不真正引导模型验证。TopoSteer改为给每层算一个分数,即该层逐样本位移点云的欧氏最小生成树总长,用连通长度衡量均值差向量能否代表这些位移。在五个指令微调模型、六个二元人格引导任务上,它在多数模型—层预算组合中优于LayerNavigator,但优势随模型和层预算变化,Qwen-7B与Qwen-32B上更小且更混杂。

  2. arXiv

    SILSA用384个滑动窗口切片潜变量做单图三维生成,PSNR提升8.7%、Betti误差降9.2%

    SILSA提出一种拓扑感知的高分辨率三维生成框架,用沿三个坐标轴的固定重叠切片潜变量替代体素token,配合SliceVAE、体素锚格与切片级持续同调监督,在单图到三维任务上把PSNR从30.12提升到32.74、覆盖率从73.12%提升到79.08%、Betti误差相对降低9.2%,同时只用384个token,训练内存降低40.4%、推理时间降低58.5%。

  3. Nature Communications

    拓扑增强的语音信号处理机器学习方法

    该工作提出 TopCap 与 TopNN 两种方法,用时间延迟嵌入与持续同调从语音时间序列中提取拓扑特征(如最大持续度及其出生时间),在浊辅音与清辅音二分类任务上,TopCap 在小型数据集上取得与部分先进神经网络相当的准确率并具备更高效率与可解释性,而将拓扑特征与门控循环单元拼接的 TopNN 在多个数据集及不同信噪比噪声条件下比标准神经网络取得更高准确率、更稳定表现与更强抗噪能力。

已读完全部报道