文章 "交易中的神经网络：双曲型潜在扩散模型（HypDiff）"

新评论
 

新文章 交易中的神经网络：双曲型潜在扩散模型（HypDiff）已发布：

本文研究经由各向异性扩散过程在双曲型潜在空间中编码初始数据的方法。这有助于更准确地保留当前市场状况的拓扑特征，并提升其分析品质。

双曲几何空间作为表征离散树状、或分层结构的理想连续流形，已被广泛接收，并在各种图形学习任务里运用。论文《图形生成的双曲几何潜在扩散模型》的作者声称，双曲几何在解决图形潜在扩散过程中的非欧几里德结构各向异性问题方面具有巨大潜力。在双曲空间中，节点嵌入的分布往往是全局各向同性的。同时，各向异性在局部被保留下来。甚至，双曲几何统一了极坐标中的角度和径向测量，提供了具有物理语义、和可解释性的几何维度。值得注意的是，双曲几何可为潜在空间提供反映图形内在结构的几何先验。

基于这些洞察，作者旨在设计一个基于双曲几何的合适潜在空间，以实现在非欧几里德结构上进行高效的扩散过程，以便生成图形，同时保留拓扑完整性。如此行事，他们试图解决两个核心问题：

  1. 连续高斯分布的可加性在双曲潜在空间中未定义。
  2. 开发针对非欧几里德结构的有效各向异性扩散过程。


作者：Dmitriy Gizlyk

新评论