侧信息学习模式

Nov, 2015

Patterns for Learning with Side Information

Rico Jonschkowski, Sebastian Höfer, Oliver Brock

TL;DR本文介绍了如何利用 “side information” 来提高学习到的函数模型的泛化能力，其中 “side information” 包括多任务学习、多视角学习和特权信息学习等方法。此外，本文还提出了与这些方法相连通的新的视角，并给出了这些方法在两个监督学习任务中的实验验证。

Abstract

Supervised, semi-supervised, and unsupervised learning estimate a function given input/output samples. Generalization of the learned function to unseen data can be improved by incorporating side information into

supervised learning semi-supervised learning unsupervised learning side information multi-task learning

发现论文，激发创造

使用特征副信息调整非线性模型

本文提出了一种框架，通过控制学习模型的结构以反映特征之间的相似性，并利用特征旁路信息来提高模型预测性能，实验证明该方法在多个基准数据集上均获得了显著的预测性能提升。

Mar, 2017

融合附加信息提高单次学习能力

本文提出了两种统计学方法，将侧边信息融合到数据表示学习中，以提高深度神经网络在一次学习中的准确性。实验证明，该学习架构在一次识别任务中表现优于传统的 softmax 回归网络和最先进的注意力回归网络。

Oct, 2017

使推荐系统更具专业知识：一个整合辅助信息的框架

该研究提出了一种利用边缘信息来提高推荐系统性能的新框架，并通过实验证明，该推荐系统在准确率和收敛速度上优于其他最先进的模型。此外，该研究还探讨了关注机制的新型正则化损失，并提出了进一步改进的一些见解。

Jun, 2024

零样本回归的直接侧信息学习

零样本学习中缺乏零样本回归方法，本文提出了一种新颖的方法，将特征和附加信息融合成一个核，以更好地预测未观察到的目标模型。该方法在人工和真实数据集上展现出更好的性能。

Feb, 2024

一种基于主题感知的摘要生成框架，包含不同的模态侧面信息

本文提出了一个灵活的自动摘要模型，利用统一主题编码器和三元对比学习，将单一或多模侧面信息与文档在相同语义空间内对齐。在三个常用总结数据集上优于强基准线。

May, 2023

带有辅助信息的推荐研究综述及研究方向

本文综述了基于用户或物品侧面信息的推荐系统研究，并从方法论和侧面信息表示两个角度，概括了基于记忆、潜在因子、表示学习和深度学习等不同方法的最新推荐算法。同时阐述了结构化数据和非结构化数据的侧面信息表示，并探讨了应用推荐系统面临的挑战和未来发展方向。

Sep, 2019

一个基于信息理论的半监督迁移学习方法

本文提出了一种新颖的信息论方法，以改善基于半监督学习的转移学习中深度神经网络的传递性，特别是在源数据集和目标数据集之间存在分歧的情况下，通过引入 Mutual Information 和 Lautum Information 来应用于目标数据集的正则化项

Jun, 2023

附带监督：超越监督式学习

通过多种设计好的学习范式来缓解监督瓶颈，以在文本中诱导各种语义表征，从而帮助决策，减少生成必要的监督信号导致的代价和不可扩展的问题。

May, 2020

间接监督信号下的可学习性

本文提出了一个统一的理论框架，用于处理多类分类的问题，其中监督由包含零互信息的变量提供，这个问题的性质由金标签到间接监督变量的转移概率和学习者对转移的先验知识决定，我们的理论引入了一个称为分离的新概念，描述学习能力和泛化界限，并在一系列学习场景中展示了该框架的应用。

Jun, 2020

在存在辅助信息的情况下，根据低维特征对高维信号进行分类和重建

本研究考虑通过低维特征提取高维信号的分类与恢复问题，研究了侧信息对于高维信号恢复的影响及其本质极限，其中使用高斯混合模型描述信号与侧信息之间的关联关系并分析了该模型的近似低秩结构。

Dec, 2014