ICML 2026 Oral:黎曼度量匹配让扩散几何估计快 400 倍
allen_ai · x · 2026-09-16
Bronstein 组等的 ICML 2026 Oral 论文提出 Riemannian Metric Matching：一个去噪概率框架，用神经网络学习数据的黎曼几何。核心观察是扩散几何中的 carré du champ 算子可写成对数据随机扰动的条件期望，从而支持逐样本训练和常数成本、摊销式推理，无需显式构建核矩阵。效果上：精度与基于 kNN 的扩散几何估计器相当或更好，摊销推理最高快 400 倍，并能在近邻方法失效的高维图像上做无图几何分析。代码、预训练模型与教程 notebook 均已开源。
「研究」频道最新
- 输出概率而非文字的新型语言模型：评测速度快 25 倍、成本低 600 倍 — danshipper · 2026-09-16
- 机器人灵巧操作的关键不是「全具身」,而是「对的双手」 — chris_j_paxton · 2026-09-16
- 数学家 Tony Feng 回应 Szegedy：AI 尚未真正超人类 — littmath · 2026-09-16
- Joe Emmens 团队从招聘启事构建科研任务分类学并开源 — JMateosGarcia · 2026-09-16
- Anthropic 研究者借 Claude 破解 Classic McEliece 挑战实例 — matthew_d_green · 2026-09-16
- StarVLA 提出表征中心训练:16 块 GPU 训 VLA,头部迁移提升 14 个百分点 — jiqizhixin · 2026-09-16