Manifold Approximation 提出 MKA：面向表征比较的流形感知核对齐方法

Manifold-approximated Kernel Alignment（MKA）将局部邻域流形几何引入核对齐任务，去除依赖表征的度加权并给出闭式对齐分数，每行可解释为局部 Markov 转移分布。在合成实验中，MKA 对超参数更不敏感并捕捉到所选拓扑保持关系；大规模基准上其在视觉任务聚合表现最强、图任务有竞争力，但在多项 NLP 评测中弱于 CKA。