机构名称：
¥ 1.0
几何机器学习在建模物理系统（作为粒子或分子系统）时结合了几何先验。Clifford代数通过引入代数结构来扩展欧几里得矢量空间，从而代表了对几何特征建模的吸引力的工具。该模型的一个示例是基于克利福德代数的等激神经网络的Clifford神经网络。使用Clifford代数对几何对象进行建模分布时，我们需要定义这些分布如何变换。因此，我们基于Clifford代数定义的函数梯度引入了Clifford代数的概率密度函数及其转换。在这里我们表明，欧几里得空间上克利福德代数之间功能的梯度诱导了限制在基本矢量空间的函数的规范梯度。这确保Clifford神经网络的梯度与广泛采用的自动分化模块（如自动射击）获得的梯度相吻合。我们从经验上评估了克利福德神经网络梯度的好处，以及克利福德代数的分布转换，以解决科学发现中分布的采样问题。
Clifford Flow
主要关键词
相关文件推荐
