May, 2013

数据聚类的特权信息

PDF
TL;DR本文研究了 Vapnik 的主人公学习理念及其在无监督学习中使用的相关学习。通过提出的 aRi-MAX 方法，KMeans 算法的稳定性得到了改善，并在人工数据集上实现了最佳聚类解的识别。随后，提出了一种基于信息论点积的算法 P-Dot，能够利用各种聚类技巧，单独或组合使用，以融合特权数据和技术数据，以提高聚类效果。文中通过对数字识别任务的应用验证了这些方法在实际情况下的适用性。
发现论文，激发创造
  • 自适应 SVM+：使用特权信息进行域自适应学习

    本文提出了 Adaptive SVM + 的学习范式，利用特权信息来进行视觉识别任务的域适应设置，取得了在 Animals with Attributes and INTERACT 数据集上的最新成果。

    Aug, 2017

  • 学习使用特权信息：SVM + 和加权 SVM

    该研究讨论了使用先验知识通过特权信息来提高学习算法的预测性能或减少所需的训练数据的方法，其中重点介绍了 SVM+ 框架，并通过特权特征确定了加权 SVM 可以复制 SVM+ 解决方案，同时讨论了当特权特征不可用时如何选择加权 SVM 的问题。

    Jun, 2013

  • 统一蒸馏与特权信息

    本文介绍了一种被称为 generalized distillation 的机器学习框架，它将蒸馏和特权信息这两种技术统一起来，可以让机器从其他机器中学习，本文从理论和实践上探讨了该框架的内部机制，并将其扩展到无监督、半监督和多任务学习场景中，通过在合成和真实世界数据的各种数字模拟实验中对其有效性进行了论证。

    Nov, 2015

  • 学习转移特权信息

    在计算机视觉领域引入了一种名为 LUPI 的学习框架，利用属性、边界框或图像标记等特权信息来加快计算机对象识别速度，探索利用多义分类和二分类最大间隔技术来提高分类器在原数据空间的分类能力。同时，研究人员发现利用特权信息能够显著提高分类精度。

    Oct, 2014

  • 基于信息的聚类

    该研究采用信息理论的视角来重新构造聚类问题，避免了许多现有聚类方法所依赖的非常规结构的假设，且捕捉了非线性关系。基于集体相似度而非传统的成对度量，该方法在不同领域内都表现出比现有算法更高的聚类一致性。

    Nov, 2005

  • 利用特权信息学习数字乳房 X 光片肿瘤分割

    使用特权信息学习技术以解决医疗数据可用性和可访问性的问题，通过在训练过程中获取特权信息知识改善数字乳腺 X 光照片上肿瘤分割的质量，实验证明该方法在大多数情况下表现更好，F1 评分比基线模型高出 10%。

    Feb, 2024

  • 使用特权信息的度量学习进行人物再识别

    本文介绍了一种基于逻辑判别度量学习算法，能够在人物视角发生大量变化的情况下实现人物重新识别，通过在训练期间利用辅助信息同时利用原始数据和辅助数据来完成度量学习，可以用于单视角和多视角任务

    Apr, 2019

  • 利用特权信息的一类支持向量机及其在恶意软件检测中的应用

    本文提出了一种新的一类分类方法，可以在训练阶段考虑到特殊信息，并使用合成数据集和公开数据集进行性能评估。

    Sep, 2016

  • 使用特权信息来解释标签噪音的转移和边缘化方法

    该论文提出了一种新的监督学习方法 TRAM，通过权重共享传输特权信息以及在测试时大致消去特权信息来解释标签噪声，从而降低对噪声标签的有害影响。该方法可在不增加测试时间成本的情况下有效地应用于各项基准测试。

    Feb, 2022

  • 不受信任的推荐引擎中隐私的代价

    本文研究了在本地差分隐私条件下从用户隐私数据中学习项目簇的问题，并且开发了一些方法来限制互信息，其结果表明采取不同的算法和方法可以实现不同零星用户样本复杂度，同时研究的技术具有更广泛的适用性。

    Jul, 2012