#representation learning

IMGNet 提出了一种人脸验证模型，用滑动窗口符号模式匹配取代余弦相似度，在 LFW 上达到 96.27% 的准确率，模型大小仅 10.58 MB，在 CASIA-WebFace 上训练。 这种新颖的方法可能实现更高效、更紧凑的人脸验证系统，而符号模式匹配无需重新训练即可提升 ArcFace 嵌入的发现，表明这是良好训练的人脸嵌入的基本属性。 该模型使用 SW Block 替代标准卷积，采用多尺度关系操作；定义了纯基于符号模式一致性的 IMG Sign MSE Loss；以及结合三种度量的投票系统。在无需重新训练的情况下应用于 ArcFace (buffalol)，IMG Sign Score 在 LFW 上达到 99.58%，仅比 ArcFace+Cosine 低 0.24%。

一种名为 BaryGraph 的新型知识图谱系统将每个关系视为一个称为 BaryEdge 的一等嵌入文档，而不是节点之间的边。它还引入了递归的 MetaBary 三元组，以发现遥远概念之间的结构桥梁。 这种方法解决了平面向量搜索的关键局限性，即仅将关系视为点之间的接近度，从而忽略了跨域连接。通过嵌入关系本身，BaryGraph 能够发现标准 RAG 系统无法检测到的类比和桥梁。 该系统使用 nomic-embed-text 进行嵌入，在 MongoDB Community 和 mongot 上运行，并本地处理整个英语维基词典（660 万文档）。它作为一个开源项目提供，并配有实时的 MCP 服务器供探索。