Nov, 2015

使用辅助信息的主动感知相似度建模

PDF
TL;DR本研究提出一种新的主动学习算法，该算法从外部数据中找出最具信息量的三元组比较方式；实验表明该方法需要远少于传统方法的三元组比较数量即可达到同等效果。
perceptual similaritymachine learningactive learningtriplet comparisonsauxiliary information
发现论文，激发创造
  • 元组相似度学习的主动序数查询

    该论文介绍了一个通用的多元组查询方法，称为 InfoTuple，通过相互信息最大化采用一种新颖的方法，以实现多元组查询的自适应选择。在合成测试和新的人类响应数据集上，该方法在各种元组大小的性能均优于最先进的自适应三元组选择方法，并在经验上证明了通过查询更大的元组而不是三元组实现的查询效率和一致性的重大收益。

    Oct, 2019

  • 基于比较的学习的提升算法

    本文提出了 TripletBoost, 一种在比较基础上学习分类器的方法，可适用于任何度量空间数据并仅使用被动获得和带噪声的三组信息处理大规模问题，同时具备良好的理论推广性能和抗噪能力。

    Oct, 2018

  • 主动度量学习的批量解相关

    本研究提出了一种针对三元组相似性评估的参数模型距离度量的主动学习策略，通过平衡信息性和多样性，该方法可以去相关化批处理的三元组，使选择每个标准的启发式方法脱钩，并证明该方法在实验中表现良好。

    May, 2020

  • 相对相似性比较的成本效益型 HIT

    通过研究三元组采样和 crowdsourcing UI 的影响，提出了一种成本效益更好的人工智能任务方法，以帮助机器学习和计算机视觉领域中的嵌入问题。

    Apr, 2014

  • 来自众包三元组比较的多视角表示学习

    本研究提出了一种端到端归纳深度学习框架，解决了多视图表示学习问题，并在众包平台上收集了两个数据集以实验比较我们的方法与传统基线方法的性能。

    Feb, 2023

  • 基于次模信息度量的现实场景主动学习

    提出了 SIMILAR (Submodular Information Measures based actIve LeARning)—— 利用最近提出的子模信息度量 (SIM) 作为获取函数的统一主动学习框架，既能在标准主动学习中工作，也可以轻松扩展到考虑上述实际情况，并作为可伸缩到大型实际数据集的主动学习一站式解决方案。

    Jul, 2021

  • 学习弱监督对比表示

    本文提出了一种二阶段的弱监督对比学习方法，第一阶段根据辅助信息对数据进行聚类，第二阶段在同一簇中学习相似的表征和不同簇的数据的不相似的表征。通过实验表明，与传统的自监督表示相比，辅助信息注入表示使性能更接近于监督表示。同时，本方法在与其他基线表示学习方法进行比较时表现最佳，并且其也适用于无监督构建簇，展示了强大的无监督表示学习方法。

    Feb, 2022

  • 主动偏好学习用于样本内外排序项目

    学习基于有噪声的配对比较的项目顺序，在无法分配具体标签的情况下很有用，尤其是在标注者必须进行主观评估的情况下。本研究在具有上下文属性的有序项目中研究了配对偏好反馈的主动学习，提出了两种算法来贪婪地最小化排序错误，证明了这些算法相对于非上下文排名方法和主动偏好学习基线具有更好的样本效率。

    May, 2024

  • 使用比较查询进行主动分类

    研究一种扩展主动学习的方法，其中学习算法可以要求注释者比较两个示例与其标签类边界的距离，并使用半空间的框架展示这种方法的优越性。

    Apr, 2017

  • 可解释的主动学习用于偏好调查

    通过主动学习和基于用户的偏好调取方法，解决在推荐系统中缺乏用户存在或受限于其他用户数据访问的冷启动问题，从而提供个性化推荐。

    Sep, 2023