LAPLEX：可学习拉普拉斯核算子

Łukasz Struski 等作者提出 LAPLEX，一类精确、可训练的（相位化）拉普拉斯核算子。其单层即为通常满秩的稠密矩阵，但由可学习坐标锚点隐式定义，因此无需存储稠密矩阵即可学习稠密几何，把表达能力与存储成本分开。 据该研究称，它具备类 FFT 的扩展性，可在现代 GPU 上支持向量维度高达 10^9 的可训练矩阵—向量运算；作为 Gram 算子，它能在维度 3·10^6 的展平图像上构建高维协方差模型，并保留可见空间结构。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。