Latent Functional Maps

神经模型学习数据表示，其位于低维流形上，但建模这些表示空间之间的关系仍然是一个持续的挑战。通过将谱几何原理融入神经建模中，我们展示了在功能域中可以更好地解决这个问题，减少复杂性，同时提高下游任务的可解释性和性能。为此，我们向表示学习社区介绍了一个多用途框架，它允许：（i）以可解释的方式比较不同的空间并测量它们的内在相似性；（ii）在无监督和弱监督设置中找到它们之间的对应关系；（iii）在不同的空间之间有效地传递表示。我们在各种应用中验证了我们的框架，从拼接到检索任务，证明了潜在的功能映射可以作为表示对齐的瑞士军刀。

如何在神经建模中集成谱几何原理以更好地解决表示空间之间的关系问题？

通过将谱几何原理融入神经建模，提出了一种多功能框架，可以比较不同表示空间之间的相似性，找到它们之间的对应关系，并在不同空间之间有效地传递表示。

论文验证了该框架在多种应用中的有效性，并展示了潜在的功能映射在表示对齐方面的潜力。

最近的相关研究包括“Deep Metric Learning with Hierarchical Triplet Loss”和“Learning Representations by Maximizing Mutual Information Across Views”。