Feb, 2016

深度多视角表示学习：目标和优化

PDF
TL;DR本文研究了多视角数据下的特征表示学习问题，比较了基于神经网络的多种技术，提出了一种新的深度自编码器，通过随机优化方法探索了小批量相关性目标函数，最终发现基于相关性的表现效果最佳。
representation learningdeep neural networkscorrelation-based learningautoencodersstochastic optimization
发现论文，激发创造
  • 多视角表示学习调查

    本文介绍了多视图表示学习中的两个类别：多视图表示对齐和多视图表示融合，并从多个角度回顾了代表性的方法和理论，进而调查了多视图表示学习的发展。最终，探讨了多视图表示学习的几个重要应用，并旨在为研究人员提供深入的理论基础和最新的发展。

    Oct, 2016

  • 学习统计推断相关特征

    通过深度典型相关分析 (DCCA) 找出可以最真实地从一种数据视角推导出的特征，进而构建出一非参数隐含联合概率分布的经典版本，以求解贝叶斯估算和标准偏差，并测试其在 OCCLUD MNIST 图像推理和监督学习中的可行性和效率，同时探索了发现单个数据集中显著的独立变量的可能性。

    Apr, 2019

  • 理解基于潜在相关性的多视角学习和自监督：一个可识别性视角

    本文旨在从潜在组件识别的角度理解基于最大化相关性的深度多视角学习，并采用一种直观的生成模型来分析多视角数据，它是共享和私有组件的不同非线性混合物，通过最大化潜在相关性，可以保证从各个视角提取共享组件（在一定程度上）并且还证明了通过适当的正则化设计，每个视图中的私有信息可以被明确地分离出来。

    Jun, 2021

  • 关联神经网络

    该研究提出了基于自编码器且明确地最大化多视角数据在共同子空间中的相关性的相关神经网络（CorrNet），在交叉语言任务方面表现良好，并优于其他先进方法。

    Apr, 2015

  • 多标签分类任务的深度潜变空间学习

    本文提出了一种基于深度神经网络的模型 Canonical Correlated AutoEncoder（C2AE），在多标签分类任务中通过联合特征和标签嵌入派生一个深度潜在空间，并引入标签相关敏感的损失函数来恢复预测的标签输出，其能够灵活应对多种规模的数据集，与其他现有的多标签分类方法相比表现更加优异。

    Jul, 2017

  • 从规范相关分析到自监督图神经网络

    本文介绍了一种用于自监督图数据表示学习的概念简单而有效的模型，其通过数据增强生成输入图的两个视图，并通过受经典标准相关分析启发的创新特征级目标进行优化，旨在学习不变表示，并通过不同维度中的相关特性来防止退化解决方案，最终在七个公共图数据集上表现竞争力。

    Jun, 2021

  • 基于物体中心表征的自监督视觉强化学习

    该研究提出了使用基于物体的表征作为组成性生成世界模型所学习的模块化和结构化观察空间，以帮助自主代理发现和学习有用的技能，并进一步将这些技能组合起来解决复杂的组合任务。

    Nov, 2020

  • 表示学习：综述与新视角

    本文回顾了无监督特征学习和深度学习领域中的最新进展，讨论了学习良好的数据表示的适当目标，以及表示学习、密度估计和流形学习之间的几何联系。

    Jun, 2012

  • 目标很重要：理解自监督目标对视觉 Transformer 表示的影响

    本研究分析了视觉变压器自监督学习的两种主要范式，在结构和可转移性方面的影响差异，揭示了联合嵌入特征在分类线性探针传输方面表现更好的原因。

    Apr, 2023

  • 多视角文档表示学习在开放域密集检索中的应用

    本文提出了一种多视角文档表示学习框架，通过生成多个视图嵌入来表示文档，并通过全局 - 局部 loss 函数来防止多视图嵌入坍塌到同一个嵌入中，实现了稳定性的匹配，在密集检索方面取得了最新的成果。

    Mar, 2022