AITOP

5月14日

13:26

arXiv cs.LG@Dongzhe Zheng, Tao Zhong, Christine Allen-Blanchette

精选55

本文从函数空间视角研究几何网格上物理场方程的解算子，揭示了Hodge正交性通过将不可学习的拓扑自由度与可学习的几何动力学分离，从根本上解决频谱干扰问题，从而实现结构保持子空间内的加性逼近。基于Hodge理论和算子分裂，作者推导出原则性的算子级分解，提出一种混合欧拉-拉格朗日架构，并引入称为Hodge谱对偶（HSD）的代数级归纳偏置。该方法使用离散微分形式捕捉拓扑主导成分，并用正交辅助环境空间表示复杂的局部动力学。实验表明，该方法在几何图上实现了更高的精度和效率，并增强了对物理不变量的保真度。代码已开源。

论文神经算子 Hodge分解拓扑保持几何深度学习物理信息

推荐理由：Hodge分解为神经算子学习提供了严格的数学框架，解决了物理场模拟中拓扑与几何动力学的分离难题。做计算物理、几何深度学习或科学机器学习的团队，可以直接用开源的HSD架构提升模型对物理不变量的保真度。

01:10

arXiv cs.AI@Luke James Miller, Yugyung Lee

45

针对大规模图像中微小稀疏结构分割的难题，SEMIR 提出了一种新的表示学习框架，将推理从原始像素网格解耦到拓扑保持的潜在图表示上。该方法通过参数化边收缩、节点和边删除，将网格图转化为紧凑、边界对齐的图小类，并保留从图预测到像素标签的精确映射。小类构建被形式化为少样本结构学习问题，通过边界 Dice 准则优化参数，使预测边界与目标语义边缘对齐。在 BraTS 2021、KiTS23 和 LiTS 三个肿瘤分割数据集上，SEMIR 在保持实用运行时间的同时，持续提升了小类结构的 Dice 系数。这项工作为高分辨率结构化视觉数据提供了一种学习任务自适应、拓扑保持潜在表示并支持精确解码的通用框架。

论文图表示学习视觉分割医学图像拓扑保持少样本学习

推荐理由：做医学图像分割或处理极端类别不平衡问题的研究者，SEMIR 用图小类替代密集网格推理，既保持拓扑又降低计算量，值得关注其边界对齐的少样本学习思路。