3D点云可以灵活地表示连续表面，可用于各种应用；但是，缺乏结构信息使点云识别具有挑战性。最近的边缘感知方法主要使用边缘信息作为描述局部结构以促进学习的额外功能。尽管这些方法表明，将边缘纳入网络设计是有益的，但它们通常缺乏解释性，使用户想知道边缘如何有所帮助。为了阐明这一问题，在这项研究中，我们提出了以可解释方式处理边缘的扩散单元（DU），同时提供了不错的改进。我们的方法可以通过三种方式解释。首先，我们从理论上表明，DU学会了执行任务呈纤维边缘的增强和抑制作用。其次，我们通过实验观察并验证边缘增强和抑制行为。第三，我们从经验上证明，这种行为有助于提高绩效。在具有挑战性的基准上进行的广泛实验验证了DU在可解释性和绩效增长方面的优势。具体而言，我们的方法使用S3DIS使用Shapenet零件和场景分割来实现对象零件分割的最新性能。我们的源代码将在https://github.com/martianxiu/diffusionunit上发布。

由于缺乏连接性信息，对局部表面几何形状进行建模在3D点云的理解中具有挑战性。大多数先前的作品使用各种卷积操作模拟本地几何形状。我们观察到，卷积可以等效地分解为局部和全球成分的加权组合。通过这种观察，我们明确地将这两个组件解散了，以便可以增强局部的组件并促进局部表面几何形状的学习。具体而言，我们提出了Laplacian单元（LU），这是一个简单而有效的建筑单元，可以增强局部几何学的学习。广泛的实验表明，配备有LU的网络在典型的云理解任务上实现了竞争性或卓越的性能。此外，通过建立平均曲率流之间的连接，基于曲率的LU进行了进一步研究，以解释LU的自适应平滑和锐化效果。代码将可用。

由于缺乏连接性信息，即边缘，学习点云是具有挑战性的。尽管现有的边缘感知方法可以通过建模边缘来改善性能，但边缘如何促进改进尚不清楚。在这项研究中，我们提出了一种自动学习以增强/抑制边缘的方法，同时保持其工作机制清晰。首先，我们从理论上弄清楚边缘增强/抑制作用是如何工作的。其次，我们通过实验验证边缘增强/抑制行为。第三，我们从经验上表明这种行为可以提高性能。通常，我们观察到所提出的方法在点云分类和细分任务中实现了竞争性能。

Optimal transport (OT) has become a widely used tool in the machine learning field to measure the discrepancy between probability distributions. For instance, OT is a popular loss function that quantifies the discrepancy between an empirical distribution and a parametric model. Recently, an entropic penalty term and the celebrated Sinkhorn algorithm have been commonly used to approximate the original OT in a computationally efficient way. However, since the Sinkhorn algorithm runs a projection associated with the Kullback-Leibler divergence, it is often vulnerable to outliers. To overcome this problem, we propose regularizing OT with the \beta-potential term associated with the so-called $\beta$-divergence, which was developed in robust statistics. Our theoretical analysis reveals that the $\beta$-potential can prevent the mass from being transported to outliers. We experimentally demonstrate that the transport matrix computed with our algorithm helps estimate a probability distribution robustly even in the presence of outliers. In addition, our proposed method can successfully detect outliers from a contaminated dataset

Recently, studies on machine learning have focused on methods that use symmetry implicit in a specific manifold as an inductive bias. In particular, approaches using Grassmann manifolds have been found to exhibit effective performance in fields such as point cloud and image set analysis. However, there is a lack of research on the construction of general learning models to learn distributions on the Grassmann manifold. In this paper, we lay the theoretical foundations for learning distributions on the Grassmann manifold via continuous normalizing flows. Experimental results show that the proposed method can generate high-quality samples by capturing the data structure. Further, the proposed method significantly outperformed state-of-the-art methods in terms of log-likelihood or evidence lower bound. The results obtained are expected to usher in further research in this field of study.

当数据分布在部署环境中变化时，机器学习系统可能会遇到意外问题。一个主要原因是，在训练过程中未观察到域和标签的某些组合，而是出现在测试环境中。尽管可以应用各种基于不变性的算法，但我们发现性能增长通常是微不足道的。为了正式分析此问题，我们基于同态性，均衡性的概念以及对解散的精致定义提供了组合转移问题的独特代数表述。代数要求自然得出了一种简单而有效的方法，称为模棱两可的解开转换（EDT），该方法基于标签的代数结构增强数据，并使转换满足了均衡性和分离要求。实验结果表明，不变性可能不足，并且在组合转移问题中利用均衡结构很重要。

对外部刺激做出反应的触觉传入，例如（RA）和Pacinian（PC）传入，可以使复杂的动作（例如抓住，抚摸和识别对象）。要深入了解这些动作引起的触觉感觉，需要揭示触觉传入的活动。为此，我们为振动刺激的每种触觉传入开发了一个计算模型，结合了有限元分析有限元方法（FEM）分析和代表神经特征的泄漏的集成和火力模型。该计算模型可以轻松估计触觉传入的神经活动，而无需测量生物学数据。使用FEM分析计算的皮肤变形被取代为集成与火力模型，作为计算每种触觉传入的膜电位的电流输入。我们使用报道的生物学数据在集成和火力模型中优化了参数。然后，我们计算了数值模型对正弦，二氢和白噪声机械刺激的响应，以验证提出的数值模型。从结果来看，计算模型很好地再现了对振动刺激的神经反应，例如正弦，二氢和噪声刺激，并与可以模拟对振动刺激的响应的相似计算模型进行了优越的比较。

本文提出了一种准确且可扩展的方法，用于在3D先前的环境图上进行基准标签定位。所提出的方法包括三个步骤：1）基于视觉探针的标志性大满贯，以估算基准标签之间的相对姿势，2）基于几何匹配的基于几何匹配的全局标签映射映射映射通过最大集合查找和3）基于直接摄像机的标签姿势改进 - 与标准化信息距离的映射对齐。通过基于仿真的评估，提出的方法获得了98 \％的全局标签映射注册成功率和平均标签姿势估计精度的精度。实际环境中的实验结果表明，它可以在25分钟内将超过110个基准标签定位在数据记录和后处理中。

当培训数据共享与即将到来的测试样本相同的分布时，标准监督学习范式有效地工作。但是，在现实世界中，通常会违反此假设，尤其是在以在线方式出现测试数据时。在本文中，我们制定和调查了在线标签转移（OLAS）的问题：学习者从标记的离线数据训练初始模型，然后将其部署到未标记的在线环境中，而基础标签分布会随着时间的推移而变化，但标签 - 条件密度没有。非平稳性和缺乏监督使问题具有挑战性。为了解决难度，我们构建了一个新的无偏风险估计器，该风险估计器利用了未标记的数据，该数据表现出许多良性特性，尽管具有潜在的非跨性别性。在此基础上，我们提出了新颖的在线合奏算法来应对环境的非平稳性。我们的方法享有最佳的动态遗憾，表明该性能与千里眼的千里眼竞争，后者是事后看来的在线环境，然后选择每轮的最佳决定。获得的动态遗憾结合量表与标签分布转移的强度和模式，因此在OLAS问题中表现出适应性。进行广泛的实验以验证有效性和支持我们的理论发现。

近年来，有监督的深度学习取得了巨大的成功，从大量完全标记的数据中，对预测模型进行了培训。但是，实际上，标记这样的大数据可能非常昂贵，甚至出于隐私原因甚至可能是不可能的。因此，在本文中，我们旨在学习一个无需任何类标签的准确分类器。更具体地说，我们考虑了多组未标记的数据及其类先验的情况，即每个类别的比例。在此问题设置下，我们首先得出了对分类风险的无偏估计量，可以从给定未标记的集合中估算，并理论上分析了学习分类器的概括误差。然后，我们发现获得的分类器往往会导致过度拟合，因为其经验风险在训练过程中呈负面。为了防止过度拟合，我们进一步提出了一个部分风险正规化，该风险正规化在某些级别上保持了未标记的数据集和类方面的部分风险。实验表明，我们的方法有效地减轻了过度拟合和优于从多个未标记集中学习的最先进方法。