MMMar, 2015

多媒体大数据聚类挑战的基于元知识的新处理技术

PDF
TL;DR本研究通过提取多媒体数据集中的元特征，针对高纬结构化和非结构化数据的 23 位表示进行元知识表征的优化，以适用于 Golay 码算法的挖掘技术，研究数据点之间的关系模式和聚类预测分析方法。
relational patternsmetaknowledgemultimedia datasetsmining techniquegolay code algorithm
发现论文，激发创造
  • 多模态知识库下的多模态实体标记

    本文提出了一个新的任务叫做多模态实体标记 (MET) 以及一个多模态知识库，并开发了一个数据集以解决该问题。使用信息检索范式解决此任务并使用 NLP 和 CV 中最先进的方法实现了几个基线。结果表明，该任务具有挑战性，但当前技术可以实现相对较高的性能。

    Dec, 2021

  • 面向低资源文本分类的知识感知元学习

    该论文将知识图谱引入到元学习中，提出 KGML 方法，并在低资源文本分类问题上进行实验，证明其在有监督和无监督适应环境下的有效性。

    Sep, 2021

  • 多模态相似性学习

    本文提出了一种基于多核学习以及基于图的过滤技术的方法，将多媒体数据中的多种模态融合到单一的相似度空间中，以解决多媒体数据中的主观问题和不一致问题。

    Aug, 2010

  • 高维度多媒体数据学习：现状

    多媒体数据具有高维复杂性，需要研究新的机器学习算法以便处理。本文综述了三种处理高维数据的方法，即特征转换、特征选择和特征编码，并介绍了一些有效的学习算法的最新进展和未来趋势。

    Jul, 2017

  • 利用现有资源：使用协同信息源提取视频表示

    该论文旨在将来自不同模态的视频信息压缩为单一、紧凑的表示形式，以用于自由格式文本查询的视频检索任务。通过运用预训练的语义嵌入、自动语音识别和光学字符识别等方法，采用协作专家模型来聚合信息，具有良好的检索性能。

    Jul, 2019

  • 为知识库补全嵌入多模态关系数据

    该研究提出了一种使用多种神经编码器的多模态知识库嵌入方法，将它们与现有关系模型相结合，学习实体和多模态数据的嵌入，进而提出了一种新的多模态插值模型，用于从知识库中的信息生成丢失的多模态值，并通过用户研究评估了其生成的多模态值的质量。

    Sep, 2018

  • MetaLDA：一种高效融合元信息的主题模型

    本文介绍了一个叫做 MetaLDA 的主题模型，它能够直接将文档或单词的元信息整合进生成过程中，通过两种数据增强技术得到高效的 Gibbs 采样算法并且取得了对比其他使用元信息模型更优的性能表现。

    Sep, 2017

  • 利用知识图谱预测模块化优化算法的性能

    本文提出了一种基于改进后的 OPTION 本体构建的知识图谱的性能预测模型，并使用模块化算法框架来构建知识图谱，以预测给定算法实例是否能够针对给定问题实例实现某个目标精度。

    Jan, 2023

  • 带元数据的神经模型文档

    本篇论文基于主题模型，利用变分推断的方法，提出了一种通用的神经网络框架，允许灵活地结合元数据，通过迅速探索备选模型等方法，在保证困惑度、连贯性和稀疏性的情况下，取得了强大的性能。此外，通过对美国移民文章语料库的探索，展示了本框架的潜力。

    May, 2017

  • 开放知识库规范化的多视角聚类

    提出了一种新的无监督方法 CMVC，它利用了知识的 fact view 和 context view 来对开放知识库（OKB）进行规范化，通过多视角特征聚类算法来学习视角特定的嵌入，进而对概念和关系短语进行聚类来达到规范化的目的。实验表明该方法在多个真实 OKB 数据集上表现优异。

    Jun, 2022