交叉熵聚类
通过实验和比较,本研究证明了集成聚类方法中的证据累积聚类和 k-means 算法在共识聚类中取得了较好的结果和较低的计算成本。
Nov, 2023
本文基于极值理论的广义帕累托分布,提出了一种新的聚类算法 GPD k-means,它模型化了聚类的距离分布,并用概率模型描述了每个类别。实验证明,在合成数据集和真实数据集上,GPD k-means 优于传统聚类算法。
Feb, 2022
本文提出了一种基于信息理论的聚类方法,通过该方法聚类结果的熵载荷能够最大化,避免了需要预设特定参数的问题,可用于图像分割、对象分类等领域,也可作为无监督学习的基础。
Sep, 2022
本文提出了一种名为 Symmetric cross entropy Learning 的深度神经网络学习方法,通过将 Cross Entropy 与 Reverse Cross Entropy 相结合,解决了在标签噪声存在下 CE 的过拟合与欠拟合问题,并在多个基准数据集和真实世界数据集实验中表现出优于其他现有方法的效果。
Aug, 2019
利用动态预测不确定性的像素权重加权 U-CE(Uncertainty-aware Cross-Entropy loss)训练方法在两个基准数据集上优于传统 CE(cross-entropy loss)训练方法,提高了安全关键应用中更稳健可靠的分割模型的性能和可信度。
Jul, 2023
本文研究交叉熵方法在非凸优化中的应用,并提出了一种可微分的变体。在应用上,我们在合成能源预测任务和非凸连续控制中展示了其效果。特别是,我们展示了如何将最优的行动序列嵌入到一个低维空间中进行控制,从而通过策略优化来对基于 CEM 的控制器进行微调。
Sep, 2019
本文提出了一种基于交叉熵方法的端到端深度学习模型,用于无监督的点云配准任务,通过定义奖励函数及构建融合分数函数等方式进行最优化的点云配准,可优化配准算法 ICP 需要较高的计算量问题。
Sep, 2021
我们提出了一个基于谱聚类和分布相似度度量(如最大均值差异和 Wasserstein 距离)的简单而有效的框架用于离散分布聚类,并通过使用线性最优输运在大规模数据集上高效地构建相似矩阵,得到了较高的聚类准确率和计算效率。
Jan, 2024
本文提出了一种基于深度学习的端到端系统,利用嘈杂的众包标签,通过多个注释器特定的 label confusion 层和参数耦合的方式,与神经分类器同时学习标签纠正机制,并提出了 CCEM 的正则化变种,以增强目标模型参数的可识别性。
Jun, 2023