判别学习的得分函数特征：矩阵和张量框架

Dec, 2014

判别学习的得分函数特征：矩阵和张量框架

Score Function Features for Discriminative Learning: Matrix and Tensor Framework

Majid Janzamin, Hanie Sedghi, Anima Anandkumar

TL;DR本文提出一种基于高阶得分函数的矩阵和张量特征，通过使用未标记的样本进行预训练，然后使用高效算法从这些预训练的特征和有标记的样本中提取区分信息，最后提出了一种利用输入的生成模型进行区分学习的新框架。

Abstract

feature learning forms the cornerstone for tackling challenging learning problems in domains such as speech, computer vision and natural language processing. In this paper, we consider a novel class of matrix and tensor

feature learning matrix-valued features tensor-valued features discriminative information generative models

发现论文，激发创造

判别学习的得分函数特征

本论文提出一种新颖的矩阵值和张量值特征，可以利用未标记的样本进行预训练，并给出了有效算法来提取判别信息。通过在矩阵和张量上应用高阶评分函数，我们可以提取丰富的判别信息，并建立了理论框架来描述与标记样本一起使用评分函数特征所提取的判别信息的性质。最终，我们提出了一种新的框架来利用输入的生成模型进行判别学习。

Dec, 2014

基于得分的生成建模分类

该研究探讨了基于得分函数的梯度学习在判别式和生成式分类设置中的应用。实验表明，该方法适用于数据集的不平衡情况，有效提高了二分类性能。

Jul, 2022

在多维连续特征空间中寻找判别性词语

使用单词特征向量以及无监督学习，提取文档中的独立特征词，构建文档特征向量，并在文本分类任务中证明了该方法的有效性。

Nov, 2022

特征合奏：判别特征选择遇见无监督聚类

本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

Nov, 2014

特征选择作为深度顺序生成学习

我们提出了一种深度序列生成学习方法来进行特征选择，该方法通过学习连续嵌入空间，将特征选择决策序列映射为与效用分数相关的嵌入向量，从而解决了传统方法中存在的离散搜索空间和专家特定超参数的问题。

Mar, 2024

深度张量编码

通过使用张量分解的结构约束，可以使基于内容的图像检索具有与 Fisher 向量编码图像签名相当的检索结果。

Mar, 2017

单中心损失监督的面部伪造检测中的频率感知辨别特征学习

本文提出了一种新颖的、面向频率的、区分特征学习框架，包括单中心损失和自适应频率特征生成模块，可以有效地检测和抵御面部伪造攻击。在 FF ++ 数据集上的实验结果表明了该框架的有效性和优越性。

Mar, 2021

通过广义特征向量提取辨别特征

本文研究了一种能够帮助学习系统显著提高性能的特征选取技术，着重探讨了适用于多类分类的可扩展的鉴别特征诱导技术，通过对数据中的简单二阶结构进行分析，探究了一种从类条件二阶矩广义特征向量中提取特征的方法，并显示该方法能够为分类器带来卓越的实证表现，此外这些特征还具有能够诱导出输入线性变换不变表示的优秀理论特性，通过在三个不同的任务中测试这些特征来验证分类器构建的有效性，并获得了最新的结果。

Oct, 2013

模型、数据和特征的联合交互

通过引入交互张量来分析数据和模型的特征交互，我们提出了特征学习的概念框架，并在其基础上推导了一些理论结果，包括解释广义推广误差相等性等现象的理论构建，从而增进我们对特征学习的理解。

Jun, 2023

矩阵和张量的谱学习

该研究论文介绍了基于张量分解方法的高阶时刻谱方法及其计算技术，也提出了一个名为 Tensorly 的 Python 数组操作工具，具有良好的灵活性和兼容性，能够与多种深度学习框架结合使用来学习广泛的潜在变量模型。

Apr, 2020