Learning Approximate Isometric Embeddings for Efficient Template Placement
Het artikel introduceert , een op normalizing flows gebaseerde methode die een benaderend isometrische coördinatentransformatie leert om efficiënte templateplaatsing op gekromde variëteiten mogelijk te maken door kostbare metrieke evaluaties te vervangen door Euclidische afstandstoetsen in een latente ruimte, waarmee een superieure dekking wordt bereikt met minder templates in de analyse van zwaartekrachtgolfdata.