本文探讨了在谱球面约束下求解Muon问题的方法，采用一阶近似简化约束形式。通过待定系数法和数值解法构建迭代方案，以满足约束条件并实现谱范数归一化。文章提供了练习机会，技术难度较低。

本文探讨了约束优化中“最速下降方向”与梯度的关系，强调不同范数对最速下降方向的影响。通过分析SGD在超球面上的应用，提出了“最小作用量原理”，并讨论了在约束条件下的参数更新优化方法。

本研究解决了如何在球面领域中实现有效的注意力机制的问题，特别是在大气物理、宇宙学和机器人等领域。通过将数值求积权重集成到注意力机制中，我们提出了一种几何上准确的球面注意力，结果表明其优于传统的笛卡尔方法，能够显著提升模型在三个任务上的表现，展现了几何先验在球面领域学习中的优势。

本文解决了细粒度领域泛化（FGDG）中，如何在仅使用源领域数据的情况下，学习能够很好地泛化到未见目标领域的细粒度表示的问题。提出了一种新颖的超球面状态空间幻觉（HSSH）方法，通过状态空间幻觉（SSH）和超球面流形一致性（HMC）增强状态嵌入的样式多样性，从而在高阶统计建模下更好地辨别细粒度模式，实验证明其在三项FGDG基准测试中表现出色。

本研究提出了StructGS，通过补丁基础的结构相似性损失、动态球面谐波初始化和多尺度残差网络，解决了3D高斯点云技术的不足，显著提高了细节捕捉能力，支持从低分辨率生成高分辨率渲染，实验结果显示其渲染质量优于现有模型。

本研究解决了传统几何深度学习模型在处理大规模数据集时面临的高推理时间和内存需求的问题。我们提出了一种无注意力机制的视觉曼巴架构，通过将球面数据表示为三角形补丁序列，提高了处理效率。实验结果表明，该方法在新生儿脑部皮层表面指标上的回归任务中，推理速度提高了4.8倍，内存消耗减少了91.7%，显示出其识别细微认知发展模式的潜力。

本研究提出了一种优化网络，解决高动态范围照明序列中的时间一致性问题，通过最小化复合损失函数来优化信号的方向、锐度和强度，从而确保HDRI序列的真实感。

本文研究了现有深度卷积神经网络（DCNNs）在处理复杂数据模式时的局限性，尤其是在欧几里得空间中收缩卷积的表现。采用基于庞加莱圆盘的扩张超人群卷积神经网络，提供了在非欧几里得域中扩张卷积的理论分析和实证结果，表明在多个数据集上其性能显著优于传统的欧几里得模型。

本研究针对现有原型学习方法在确定性相似性评分和不可解释性方面的不足，提出了一种新颖的HyperPg模型，通过在潜在空间中的超球面上利用高斯分布来进行原型表示。研究表明，HyperPgNet能够学习与人类概念对齐的原型，提高了模型解释性，并在CUB-200-2011和Stanford Cars数据集上展现出优于其他框架的性能，且减少了人力标注的需求。

本文探讨了高维高斯混合模型中的样本多项式时间估计器，提出了近端随机梯度下降法和加权谱过滤算法等优化算法，解决了动态系统中的基核选择问题，并在高维空间中实现了傅里叶特征的高精度近似。这些研究为机器学习和统计应用提供了理论支持和实践价值。

本文介绍了一种新型的超几何图卷积神经网络（HGCN），该网络通过超几何空间的特性学习节点表示，显著提升了链路预测和节点分类的性能。研究表明，HGCN在低维嵌入下优于传统欧几里得模型，并探讨了其在计算机视觉中的应用及未来研究方向。

本文综述了基于扩散模型的图像数据增强方法，分析了其在提升训练数据多样性和质量方面的应用。讨论了扩散模型的基本原理、架构、训练策略，以及相关的图像增强技术和性能评估方法，并指出了当前面临的挑战和未来的研究方向。

本研究解决了在高维空间中使用傅里叶特征进行高精度近似的难题，提出了一种新型的平方指数核的求积规则，通过利用高斯测度的各向同性，构造成径向与球面求积规则的张量积。我们的工作表明，这种傅里叶特征族实现了更优的近似界限，对大规模问题的机器学习和统计应用具有重要影响。

本研究提出了关于群等变卷积神经网络（G-CNNs）在欧几里德空间和球面上的总体理论，对现有的G-CNNs进行了系统分类。同时，研究了特征空间之间等变线性映射的最普遍类型，并证明了这些映射与使用等变核进行卷积一一对应。

研究人员使用HyperSpaceX框架和DistArc损失函数，在分类和人脸识别任务中提高了特征辨别能力。通过在多维度的特征空间中探索角度和半径维度，他们取得了优于当前状态的结果。

球面或全方位图像对于计算机视觉应用具有吸引力，但其几何性质对于2D图像的模型和度量标准构成挑战。研究人员提出了OmniFID和DS两个量化几何约束的度量标准，能够捕捉球面格式的视野要求和衡量球面图像的连续性。实验结果显示，OmniFID和DS能够检测到FID未能发现的几何保真度问题。

本研究提出了一种名为DSS的深度学习超像素分割方法，通过球面CNN架构和可微分的K-means聚类范式生成符合球面几何的超像素。通过数据增强技术，从有限的标注全景数据中有效学习。验证结果表明考虑图像的循环几何特性能够改善分割性能。

该论文提出了使用球面最优传输对齐文本特征和图像特征的方法，以有效地生成符合输入文本的三维形状。通过使用 Villani 的定理以及输入凸神经网络，该方法在高维情况下解决了球面最优传输的挑战，并通过扩散生成器和 Nerf 解码器将特征转换为三维形状，展现了在三维形状生成方面的优越性，尤其是与文本语义的一致性。

本文介绍了S3R-Net，一种自监督阴影去除网络，利用双分支WGAN模型实现自监督。S3R-Net是单向、非循环的解决方案，保持计算成本低的同时实现了与最新的自监督阴影去除模型相当的数值得分和更好的定性性能。

研究人员提出了一种名为“随机共振变压器”（SRT）的零样本方法，通过子标记空间平移扰动输入图像，改善了Vision Transformers（ViTs）中的量化伪像问题。SRT可以有效地超分辨率预训练ViTs的特征，捕捉到更多的局部细粒度结构，并在多个任务上展现改进效果，无需微调。