Diversifying Reply Suggestions using a Matching-Conditional Variational Autoencoder
Microsoft Search, Assistance and Intelligence(微软搜索、辅助与智能部门(Microsoft Search, Assistance and Intelligence))
我们认为,多样化的自动回复建议的商业即时消息(IM)系统(Skype)的问题。我们的会话模型是一个标准的匹配为基础的信息检索架构,它由两个并行的编码器到项目的消息和答复到一个共同的特征表示。在推理过程中,我们使用特征空间中的最近邻居从固定的响应集中选择响应。为了使响应多样化,我们将模型制定为具有条件变分自动编码器(M-CVAE)的生成潜变量模型。我们提出了一个约束抽样的方法,使变分推理M-CVAE有效的生产系统。在离线实验中,M-CVAE始终将多样性增加约30-40%,而对相关性没有显著影响。这意味着我们的在线制作系统的点击率增加了5%。
2019-03-25 cs.AI cs.CL cs.LG
GeoCFM: Positive-Only Conditional Flow Matching for Mineral Occurrence Sampling
Ben-Gurion University of the Negev(内盖夫本-古里安大学);University of British Columbia(不列颠哥伦比亚大学)
针对矿产发现中仅正例的稀疏监督问题,提出条件流匹配模型GeoCFM,学习赋存位置的条件分布,在合成与真实数据上优于基线并表征不确定性。
2026-09-29 cs.LG
MPCC: Matching Priors and Conditionals for Clustering
Universidad de Chile(智利大学);Millennium Institute of Astrophysics(千禧天体物理研究所);Universidad Austral de Chile(智利南方大学);Harvard University(哈佛大学)
聚类是无监督学习中的一项基本任务,它在很大程度上取决于所使用的数据表示。深度生成模型已经成为学习信息丰富的低维数据表示的一种有前途的工具。我们提出了用于聚类的匹配先验和条件(MPCC),这是一种基于GAN的模型,具有从数据中推断潜在变量和聚类类别的编码器,以及从条件潜在空间生成样本的灵活解码器。通过MPCC,我们证明了深度生成模型在聚类任务中可以与区别性方法竞争/优于各种基准数据集上的最新技术。我们的实验表明,添加可学习的先验知识并增加编码器更新的数量可以提高生成样本的质量,获得9.49 $\pm$ 0.15的初始得分,并在CIFAR 10中将Fréchet初始距离提高了46.9%。
2020-08-21 cs.LG
A Theory on Flow Matching with Neural Networks
Princeton University(普林斯顿大学);The University of Hong Kong(香港大学);Northwestern University(西北大学)
本文为神经网络参数化的条件速度场流匹配建立了理论基础,证明了过参数化两层ReLU网络中梯度下降的收敛性,推导了条件速度场匹配目标的泛化界,并提供了生成样本的Wasserstein距离保证。
2026-06-08 cs.AI cs.LG
Bridging the Physics-Data Gap with FNO-Guided Conditional Flow Matching: Designing Inductive Bias through Hierarchical Physical Constraints
Kyushu Institute of Technology Department of Artificial Intelligence(九州工业大学人工智能系)
提出分层物理约束与FNO引导的条件流匹配框架,嵌入物理定律层级,提升时间序列生成的物理一致性和预测性能。
2025-10-09 cs.LG
Conditional Wasserstein Distances with Applications in Bayesian OT Flow Matching
Technical University of Berlin(柏林技术大学)
本文提出条件Wasserstein距离,推导其理论性质与流常微分方程,并通过松弛该距离扩展OT流匹配方法,用于求解贝叶斯逆问题,在逆问题和类别条件图像生成中验证了数值优势。
2025-08-27 cs.LG math.OC
Distillation for Efficient Multitask Manipulation Policies via Conditional Flow Matching
University of Freiburg(弗莱堡大学)
本文提出通过转移单任务CFM专家的速度场,将知识蒸馏到共享多任务策略,结合原始CFM目标,在RLBench上以固定模型大小提升多任务性能。
2026-09-25 cs.AI cs.LG cs.RO
Inverse Design for Conditional Distribution Matching
Department of Statistics and Data Science(统计与数据科学系)
本文提出条件分布匹配(CDM)作为生成模型中的新逆设计问题,通过MLGD-F算法实现高效条件分布匹配,适用于生成编辑优化和结构化图像变换。
2026-11-19 cs.LG stat.ML
Learning $ω$-Powered Conditional Distributions with Importance-Weighted Flow Matching
University of Geneva(日内瓦大学);HES-SO/HEG Genéve(HES-SO/HEG日内瓦(瑞士应用科学与艺术大学/日内瓦高等经济学院));Google Deepmind(谷歌DeepMind);Apple(苹果公司)
该研究提出重要性加权条件流匹配(IW-CFM),可显式学习ω驱动的条件分布,在合成数据和ImageNet上均表现优于传统CFG,为相关分布的研究与近似提供了实用方法。
2026-10-14 cs.CV cs.LG
FlowMotion: Target-Predictive Conditional Flow Matching for Jitter-Reduced Text-Driven Human Motion Generation
Universidade Federal do ABC(巴西ABC联邦大学)
本文提出FlowMotion方法,通过在条件流匹配中引入更准确预测目标运动的训练目标,实现高保真、时间平滑且快速合成的文本驱动3D人体运动生成,在KIT和HumanML3D数据集上达到先进的抖动和FID性能。
2025-04-25 cs.GR cs.LG
Metriplectic Conditional Flow Matching for Dissipative Dynamics
Rochester Institute of Technology, Rochester, NY, USA(罗切斯特理工学院);Automatic Control Laboratory, ETH Zürich, Switzerland(自动控制实验室)
提出度量辛条件流匹配(MCFM)方法,通过将保守-耗散分解融入向量场和结构保持采样器,学习耗散动力学,保证能量单调递减和长期稳定性。
2026-06-12 cs.LG cs.SY eess.SY
Conditional Quantum Flow Matching for Data-Scarce Physiological Signal Augmentation
Harvard Medical School(哈佛医学院);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心);Brookhaven National Laboratory(布鲁克海文国家实验室)
提出首个条件量子流匹配模型,用306参数电路结合类条件先验生成EEG数据,在BCI数据集上比QuDDPM提升5.1%准确率,并验证先验转移的有效性。
2026-09-15 cs.LG cs.MM quant-ph
Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting
School of Computation, Information and Technology, Technical University of Munich(计算、信息与技术学院,慕尼黑技术大学);Munich Data Science Institute(慕尼黑数据科学研究所);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出 TSFlow 条件流匹配模型,利用高斯过程、最优传输路径和数据依赖先验缩小先验与时间序列数据分布差异,并通过条件先验采样支持概率预测。
2025-05-11 cs.AI cs.LG stat.ML
Coreset-Induced Conditional Velocity Flow Matching
Department of Statistics, Purdue University(普渡大学统计学系)
本文提出了一种生成模型CCVFM,通过数据驱动的源分布增强层次化修正流,利用Coreset压缩目标数据并生成高斯混合分布,从而在无需学习神经采样器的情况下实现条件速度律的闭式表达,并通过轻量级修正流进一步优化生成效果。
2026-11-09 cs.LG stat.ML
EquiFlow: Equivariant Conditional Flow Matching with Optimal Transport for 3D Molecular Conformation Prediction
Zhejiang University of Technology(浙江工业大学);HIM, Chinese Academy of Sciences(中国科学院杭州医学研究所);University of Chinese Academy of Sciences(中国科学院大学)
EquiFlow提出等变条件流匹配模型,结合最优传输与改进Equiformer,实现快速训练和推理,在QM9上超越现有方法。
2024-12-15 cs.LG physics.chem-ph q-bio.BM
LeapFactual: Reliable Visual Counterfactual Explanation Using Conditional Flow Matching
IAS-8, Forschungszentrum Jülich, Germany(茹里希研究所,德国);Munich Center for Machine Learning (MCML), LMU Munich, Germany(慕尼黑机器学习中心(MCML),慕尼黑大学,德国);Aarhus University, Denmark(奥胡斯大学,丹麦)
针对现有反事实生成方法梯度消失、依赖决策边界对齐等局限,提出基于条件流匹配的模型无关算法LeapFactual,可生成可靠反事实解释,适用于人在回路等场景,还能辅助模型性能提升。
2025-10-22 cs.AI cs.LG
Joint Flow Matching: Consistent Generative and Discriminative Inference from a Shared Flow
研究提出联合流匹配(JFM)训练框架,解决标准流匹配在条件推理上的问题,通过为变量分配相反角色产生一致联合分布,用于联合分类和生成,在条件数据集验证,有竞争力准确率且无需事后校准,能生成与分类器一致的图像。
2026-10-30 cs.LG
Conditional flow matching for physics-constrained inverse problems with finite training data
Optimization and Uncertainty Quantification, Sandia National Laboratories(桑迪亚国家实验室优化与不确定性量化)
本文提出条件流匹配框架解决物理约束贝叶斯反问题,通过神经网络学习概率流微分方程的流速场,有效处理非线性、高维及非可导前向模型,验证了早停策略缓解过拟合的效果。
2026-04-08 cs.LG stat.ML
Rethinking Causal Action Tokenization with Conditional Annealing in Flow Matching
IIIS, Tsinghua University(清华大学智能产业研究院);Shanghai Qizhi Institute(上海期智研究院)
针对自回归视觉-语言-动作模型动作标记化与骨干网络语义不对齐的问题,提出因果动作标记器CATok,通过条件退火流匹配构建从粗到细的因果标记空间,配合MMDiT解码器实现高保真重建,在模拟和真实机器人任务中优于现有方法。
2026-09-29 cs.AI cs.LG cs.RO
Bayesian Inverse Problems Meet Flow Matching: Efficient and Flexible Inference via Transformers
Skolkovo Institute of Science and Technology(斯克洛夫学院科学与技术研究所);Sberbank(储蓄银行);AI4S Center(AI4S中心);Artificial Intelligence Research Institute(人工智能研究 institute)
针对传统采样方法求解贝叶斯逆问题成本高的问题,提出融合条件流匹配与Transformer的框架,直接学习条件概率轨迹,在三类任务上实现低至1.5%的参数恢复误差,CPU上推断速度最高提升2000倍。
2025-05-16 cs.AI cs.LG
Generative Design of Ship Propellers using Conditional Flow Matching
math.tu-berlin.de(柏林技术大学数学系)
本文提出利用条件流匹配生成船舶螺旋桨设计,通过生成式人工智能实现性能目标的高效设计,展示了其在工程设计中的应用价值和潜力。
2026-01-29 cs.LG
TVGL-CFM:Generating and Forecasting Time-Varying Trajectories of Dynamic Networks with Conditional Flow Matching
University of Strathclyde(斯特拉斯克莱德大学)
研究针对脑网络等随时间变化的复杂系统,提出TVGL-CFM模型,通过对数欧几里得图和条件流匹配,可生成和预测时变网络轨迹,在多数据集上表现优于原始信号基线,直接生成结构化精度轨迹更可靠。
2026-09-21 cs.LG
RNACG: A Universal RNA Sequence Conditional Generation model based on Flow-Matching
Tsinghua University(清华大学)
本文提出基于流匹配的通用RNA序列条件生成框架RNACG,统一支持结构、功能及家族注释等多种条件输入,整合了从家族特异性生成到三级结构反向折叠的多类RNA设计任务。
2025-03-08 cs.LG q-bio.BM
Reusable Conditional Resampling via Flow Matching for Constraint-Based Causal Discovery
Graduate University of Advanced Studies(高级研究大学);The Institute of Statistical Mathematics(统计数学研究所);East China Normal University(华东师范大学)
本文提出FMCIT方法,通过流匹配技术加速条件独立性检验,结合两阶段引导PC骨架学习框架,提升因果发现的效率与准确性。
2026-11-10 cs.LG stat.ML
Feynman-Kac-Flow: Inference Steering of Conditional Flow Matching to an Energy-Tilted Posterior
Institute of Materials Chemistry, TU Wien, A-1060 Vienna, Austria(材料化学研究所,维也纳技术大学,奥地利维也纳)
针对流匹配方法缺乏成熟引导机制的问题,研究首次推导了适用于条件流匹配的Feynman-Kac引导方法,在高维合成任务及化学反应过渡态手性生成挑战中验证了效果并开源了代码。
2025-09-01 cs.LG
Harmonizing Spectral Evolution in Conditional Flow Matching for TTS
Indian Institute of Technology Bombay(印度理工学院孟买分校)
针对条件流匹配TTS推理时频谱演化不连贯的问题,提出免训练的基于离散小波变换的频率选择性增强方法,在多种架构上减少NFE并提升FAD,且不损害音质。
2026-10-01 cs.LG cs.SD
Conditional Flow Matching for Single-Neuron Electrophysiology: Capturing Multimodal Responses Across Stimuli
University of Cambridge(剑桥大学);Cedars-Sinai Medical Center(西达赛奈医疗中心);California Institute of Technology(加州理工学院);Archimedes AI, Athena Research Center(阿基米德人工智能,雅典娜研究中心)
本文提出基于条件流匹配的生成模型,以输入电流为条件学习单神经元电生理多模态响应,在两种人类皮层中间神经元模型上准确再现特征分布,并恢复阈值附近及去极化阻滞时的双模式。
2026-10-06 cs.LG
Weighted Conditional Flow Matching
Mathematical Institute, University of Oxford(牛津大学数学研究所);Oxford-Man Institute, University of Oxford(牛津大学奥克斯曼研究所);OATML, Department of Computer Science, University of Oxford(牛津大学计算机科学系OATML);Department of Engineering, University of Cambridge(剑桥大学工程系)
本文提出W-CFM,通过加权训练对改进条件流匹配,提升生成效率和准确性,同时保持计算效率。
2026-01-01 cs.LG
Matcha-TTS: A fast TTS architecture with conditional flow matching
KTH Royal Institute of Technology(瑞典皇家理工学院)
提出Matcha-TTS,一种基于最优传输条件流匹配训练的非自回归编码器-解码器TTS架构,无需外部对齐即可从零学习,在保持最小内存占用和最高语音质量的同时实现快速合成。
2024-01-09 cs.HC cs.LG cs.SD
Conditional Flow Matching for Bayesian Posterior Inference
University of Chicago, Booth School of Business(芝加哥大学布斯商学院)
本文提出一种基于流匹配的生成多变量后验采样器,通过动态块三角速度场实现后验推断,无需Likelihood评估,且能高效生成贝叶斯可信集。
2026-04-01 cs.LG stat.ML
Extended Flow Matching: a Method of Conditional Generation with Generalized Continuity Equation
Graduate School of Mathematical Sciences(数理科学研究科);University of Tokyo(东京大学);Preferred Networks;The Institute of Statistical Mathematics(统计数学研究所)
本文提出扩展流匹配(EFM),通过学习条件空间到分布空间的矩阵场为条件生成引入归纳偏置,并给出 MMOT-EFM 变体及实验验证其有效性。
2024-07-05 cs.LG math.AP math.FA
Memory-Conditioned Flow-Matching for Stable Autoregressive PDE Rollouts
Department of Mathematics, ETH Z\"urich, Z\"urich, Switzerland
本文提出基于记忆条件的流匹配方法,通过引入紧凑在线状态提升自回归PDE求解器在长距离滚动中的稳定性与精度。
2026-02-06 cs.LG
FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching
University of Ljubljana(卢布尔雅那大学)
本文提出FlowCast,一种基于条件流匹配的端到端概率模型,用于降水现在cast,解决了大气动力学不确定性与高维数据建模效率问题,实现了高效准确的预测。
2026-03-19 cs.LG
Stream-level flow matching with Gaussian processes
Duke University(杜克大学)
本文扩展了条件流匹配算法,通过引入高斯过程对连接源和目标数据对的潜在随机路径(流)进行建模,有效降低了边缘向量场的估计方差,提升了生成样本质量,并支持灵活连接相关训练数据点。
2025-02-03 cs.AI cs.LG stat.ML
KL-geodesics flow matching with a novel sampling scheme
LigandPro;Applied AI institute(应用人工智能研究院);FusionBrain Lab(FusionBrain实验室);AXXX
本文提出基于KL散度测地线的条件流匹配方法用于文本生成,并设计了一种迭代采样方案及混合推理方法,在文本生成实验中超越先前离散流匹配的最优方法。
2025-03-25 cs.CL cs.LG
Probabilistic Forecasting of Wildfire Size Using Conditional Flow Matching
University of Southern California(南加利福尼亚大学)
本研究提出基于流匹配的概率模型,通过预测火灾面积时间序列降低计算成本,利用WRF-SFIRE等数据训练,在单步及24小时多步预测中sMAPE达0.39,可量化预测不确定性,适用于野火规模预测。
2026-10-14 cs.LG
Probabilistic Forecasting of Localized Wildfire Spread Based on Conditional Flow Matching
University of Southern California(南加州大学);Colorado State University(科罗拉多州立大学)
本文提出基于条件流匹配算法的局部野火蔓延概率代理模型,通过学习火灾到达时间的条件分布,结合环境和大气输入,实现高效生成到达时间的不确定性预测,适用于子域局部预测。
2026-03-27 cs.LG
MatchingGAN: Matching-based Few-shot Image Generation
为了生成给定类别的新图像,大多数深度生成模型需要来自该类别的大量训练图像,而这些图像通常过于昂贵。为了实现基于少量图像生成的目标,本文提出了基于匹配的生成对抗网络(GAN)用于Few-Shot生成。匹配生成器可以将随机向量与同一类别中的几幅条件图像进行匹配,并根据融合后的特征生成该类别的新图像。该方法通过将生成图像的特征与条件图像的融合特征进行匹配,扩展了传统的GAN方法。在三个数据集上的实验证明了该方法的有效性。
2020-03-15 cs.CV cs.LG eess.IV
Graph-Conditional Flow Matching for Relational Data Generation
本文提出图条件流匹配方法,利用外键关系图和图神经网络生成关系数据库内容,在多个基准数据集上实现了最先进的合成数据保真度。
2025-11-10 cs.LG
FlowMAC: Conditional Flow Matching for Audio Coding at Low Bit Rates
Fraunhofer IIS(弗劳恩霍夫应用研究促进协会 IIS研究所);International Audio Laboratories Erlangen(埃尔兰根国际音频实验室);Friedrich-Alexander-Universität at Erlangen-Nürnberg (FAU)(埃尔朗根-纽伦堡弗里德里希-亚历山大大学(FAU))
本文提出FlowMAC,一种基于条件流匹配的低比特率神经音频编解码器,通过联合学习编码器、量化器与解码器并集成连续归一化流,在3 kbps下实现与双倍比特率SOTA相当的质量,支持CPU实时编码。
2025-04-06 cs.LG cs.SD eess.AS
NeuroSonic: Conditional Flow Matching for EEG-to-Speech Reconstruction
Stony Brook University(石溪大学);University of Texas Health Center at Houston(德克萨斯大学休斯顿健康科学中心);Emory University(埃默里大学)
提出NeuroSonic条件流匹配框架,通过学习确定性概率流速度场将噪声声学状态传输到干净语音,解决EEG信号弱、空间弥散与语音强谐波结构之间的不匹配问题,在CineBrain和EAV基准上提升感知质量达26.3%。
2026-06-24 cs.LG
Flow Matching with Missing Data
针对流匹配假设训练数据完全可观测的局限,提出含缺失数据的流匹配方法,将缺失坐标视为潜在变量并平均流匹配损失,通过理论分析和实验验证其有效性,可应对实际数据缺失问题。
2026-10-16 cs.LG
MolGuidance: Advanced Guidance Strategies for Conditional Molecular Generation with Flow Matching
University of Florida(佛罗里达大学);University of Minnesota(明尼苏达大学);New York University(纽约大学)
MolGuidance通过整合先进引导策略与流匹配技术,提升条件分子生成的性质对齐和结构合理性,实现新的性能突破。
2025-12-13 cs.LG q-bio.QM
Domain-informed Adaptive Sampling for Generalizable PINNs in Metal Additive Manufacturing via Conditional Flow Matching
Texas A&M University(德克萨斯A&M大学)
针对金属增材制造中PINN热建模依赖手工静态采样、泛化差的问题,提出基于条件流匹配的两阶段自适应采样策略,在相同配点预算下平均相对L2误差降低62.1%。
2026-10-08 cs.LG
Flow Matching Neural Processes
Department of Computer Science University of Haifa(计算机科学系海法大学)
基于流匹配的神经过程模型,通过ODE求解器实现高效条件采样,提升精度与运行时间的可控权衡。
2025-12-29 cs.LG
Ergodic Trajectory Design by Learned Pushforward Maps: Provable Coverage via Conditional Flow Matching
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出了一种epushforward框架,通过条件流匹配学习映射,将潜在轨迹分布转换为目标密度,实现轨迹的可证明覆盖,同时支持多智能体和不同约束条件。
2026-05-13 cs.LG
NEUROTOKEN: Joint Source and Directional AAD with Envelope Decoding via Conditional Flow Matching
Ohio State University(俄亥俄州立大学)
NEUROTOKEN通过条件流匹配联合建模源与方向听觉注意解码,利用共享EEG前端和似然比评分,在多个数据集上显著提升准确率并缩小方差。
2026-10-02 cs.LG
Conditional Flow Matching for ML-Based Inverse Design Problems
ETH Zürich(苏黎世联邦理工学院);University of Maryland, College Park(马里兰大学帕克分校)
本研究将条件流匹配(CFM)集成至EngiOpt,在EngiBench的两项基准任务上对比条件扩散模型与cGAN,结果显示CFM的性能更优、采样速率更高且所需网络评估次数更少。
2026-09-02 cs.LG
Probabilistic Forecasting via Autoregressive Flow Matching
Department of Machine Learning and Neural Computing, Donders Institute for Brain, Cognition and Behaviour(机器学习与神经计算系,大脑、认知与行为研究所)
本文提出FlowTime模型,通过自回归流匹配实现多变量时间序列的概率预测,结合流匹配框架提升模型性能与不确定性估计。
2026-02-08 cs.LG
Flow Matching for Generative Modeling
Meta AI (FAIR)(元人工智能(基础人工智能研究团队));Weizmann Institute of Science(魏茨曼科学研究所)
我们引入了一个新的范例生成建模建立在连续规范化流(CNFs),使我们能够训练CNFs在前所未有的规模。具体来说,我们提出了流匹配(FM)的概念,模拟免费的方法训练CNFs的基础上回归向量场的固定条件概率路径。流匹配与用于在噪声和数据样本之间进行转换的高斯概率路径的一般族兼容--其将现有的扩散路径作为特定实例。有趣的是,我们发现,采用FM与扩散路径的结果在一个更强大和稳定的替代训练扩散模型。此外,流匹配为用其他非扩散概率路径训练CNF打开了大门。一个特别有趣的例子是使用最优运输(OT)位移插值来定义条件概率路径。这些路径比扩散路径更有效,提供更快的训练和采样,并导致更好的泛化。在ImageNet上使用流匹配训练CNF在可能性和样本质量方面都比其他基于扩散的方法具有更好的性能,并且可以使用现成的数值ODE求解器快速可靠地生成样本。
2023-02-08 cs.AI cs.LG stat.ML
Conditional Flow Matching for Continuous Anomaly Detection in Autonomous Driving on a Manifold-Aware Spectral Space
Independent Researcher(独立研究者)
Deep-Flow通过流匹配技术在频谱空间中实现连续异常检测,利用运动学平滑性和低秩流形约束,提升自动驾驶安全验证的准确性与可靠性。
2026-02-19 cs.AI cs.LG cs.RO
Latent Process Generator Matching
Department of Microbiology, Tumor and Cell Biology, Karolinska Institutet(微生物学、肿瘤和细胞生物学系,Karolinska研究院)
本文提出了一种潜在过程生成器匹配框架,该框架将观测到的生成状态视为可 tractable 马尔可夫过程的确定性图像,从而扩展了生成器匹配理论,使其适用于时间依赖的潜在条件过程。
2026-05-19 cs.AI cs.LG stat.ML
Conditional Flow Matching for Probabilistic Downscaling of Maximum 3-day Snowfall in Alaska
Department of Computer Science, University of Montana(蒙大拿大学计算机科学系);International Arctic Research Center, University of Alaska(阿拉斯加大学国际北极研究中心)
本文提出WxFlow模型,通过条件生成模型提升高分辨率降水模拟精度,实现87.8%的频谱保真度提升,并在笔记本电脑上快速生成50成员集合。
2026-04-28 cs.LG physics.ao-ph physics.comp-ph
Risk-Entropic Flow Matching
本文提出通过风险敏感变换改进流匹配方法,以更准确地捕捉数据流形和稀有分支的几何结构。
2025-11-28 cs.LG