arXiv:2511.17616v1 Announce Type: new 
Abstract: This paper introduces Tensor Gauge Flow Models, a new class of Generative Flow Models that generalize Gauge Flow Models and Higher Gauge Flow Models by incorporating higher-order Tensor Gauge Fields into the Flow Equation. This extension allows the model to encode richer geometric and gauge-theoretic structure in the data, leading to more expressive flow dynamics. Experiments on Gaussian mixture models show that Tensor Gauge Flow Models achieve improved generative performance compared to both standard and gauge flow baselines.

تم تقديم فئة جديدة من نماذج التدفق التوليدية، المعروفة باسم نماذج تدفق مقياس التنسور، والتي تعمم النماذج الحالية من خلال دمج مجالات مقياس التنسور من الرتبة الأعلى في معادلة التدفق. تعزز هذه التطورات قدرة النموذج على التقاط الهياكل الهندسية والنظرية الأكثر تعقيدًا في البيانات، كما يتضح من خلال التجارب على نماذج المزيج الغاوسي.

Se ha introducido una nueva clase de Modelos de Flujo Generativo, conocidos como Modelos de Flujo de Tensor de Gauge, que generalizan los modelos existentes al incorporar Campos de Gauge de Tensor de orden superior en la Ecuación de Flujo. Este avance mejora la capacidad del modelo para capturar estructuras geométricas y teóricas de gauge complejas en los datos, como se demuestra a través de experimentos con modelos de mezcla gaussiana.

Une nouvelle classe de modèles de flux génératifs, connue sous le nom de modèles de flux de tenseurs de jauge, a été introduite, généralisant les modèles existants en incorporant des champs de jauge de tenseurs d'ordre supérieur dans l'équation de flux. Cette avancée améliore la capacité du modèle à capturer des structures géométriques et théoriques de jauge complexes dans les données, comme le montrent des expériences sur des modèles de mélange gaussien.

A new class of Generative Flow Models, known as Tensor Gauge Flow Models, has been introduced, which generalizes existing models by incorporating higher-order Tensor Gauge Fields into the Flow Equation. This advancement enhances the model's ability to capture complex geometric and gauge-theoretic structures in data, as demonstrated through experiments on Gaussian mixture models.

Tensor Gauge Flow Models

arXiv:2511.17635v1 Announce Type: cross 
Abstract: Pediatric pancreatitis is a progressive and debilitating inflammatory condition, including acute pancreatitis and chronic pancreatitis, that presents significant clinical diagnostic challenges. Machine learning-based methods also face diagnostic challenges due to limited sample availability and multimodal imaging complexity. To address these challenges, this paper introduces Upstream Probabilistic Meta-Imputation (UPMI), a light-weight augmentation strategy that operates upstream of a meta-learner in a low-dimensional meta-feature space rather than in image space. Modality-specific logistic regressions (T1W and T2W MRI radiomics) produce probability outputs that are transformed into a 7-dimensional meta-feature vector. Class-conditional Gaussian mixture models (GMMs) are then fit within each cross-validation fold to sample synthetic meta-features that, combined with real meta-features, train a Random Forest (RF) meta-classifier. On 67 pediatric subjects with paired T1W/T2W MRIs, UPMI achieves a mean AUC of 0.908 $\pm$ 0.072, a $\sim$5% relative gain over a real-only baseline (AUC 0.864 $\pm$ 0.061).

تقدم دراسة جديدة أسلوب الإحلال الاحتمالي العلوي (UPMI) كاستراتيجية مبتكرة لتصنيف التهاب البنكرياس لدى الأطفال، وهي حالة التهابية معقدة. تستخدم هذه الطريقة تقنيات التعلم الآلي لتحسين دقة التشخيص من خلال العمل في فضاء ميزات ميتا منخفض الأبعاد، مما يعالج التحديات التي تطرحها محدودية توفر العينات وتعقيد التصوير متعدد الأنماط.

Un nuevo estudio presenta la Imputación Meta-Probalística Ascendente (UPMI) como una estrategia innovadora para clasificar la pancreatitis pediátrica, una condición inflamatoria compleja. Este método utiliza técnicas de aprendizaje automático para mejorar la precisión diagnóstica al operar en un espacio de características meta de baja dimensión, abordando los desafíos que plantea la disponibilidad limitada de muestras y la complejidad de la imagen multimodal.

Une nouvelle étude présente l'Imputation Métaprobaliste Amont (UPMI) comme une stratégie novatrice pour classifier la pancréatite pédiatrique, une condition inflammatoire complexe. Cette méthode utilise des techniques d'apprentissage automatique pour améliorer la précision diagnostique en s'appuyant sur un espace de méta-caractéristiques de faible dimension, répondant aux défis posés par la disponibilité limitée d'échantillons et la complexité de l'imagerie multimodale.

A new study introduces Upstream Probabilistic Meta-Imputation (UPMI) as a novel strategy for classifying pediatric pancreatitis, a complex inflammatory condition. This method leverages machine learning techniques to enhance diagnostic accuracy by utilizing a low-dimensional meta-feature space, addressing challenges posed by limited sample sizes and the intricacies of multimodal imaging.

Tensor Gauge Flow Models

Was this article worth reading? Share it

Fluig AI

ChatOne

FETCH HIVE