无监督学习中的可推广特征

Dec, 2016

Generalizable Features From Unsupervised Learning

Mehdi Mirza, Aaron Courville, Yoshua Bengio

TL;DR本文探讨了无监督学习发现特征以提高预测模型泛化性能的潜力，并利用视频序列预测方块塔的稳定性，展示了模型训练得出的特征能够支持对超出训练集分布的方块配置进行稳定性预测。

Abstract

Humans learn a predictive model of the world and use this model to reason about future events and the consequences of actions. In contrast to most machine predictors, we exhibit an impressive ability to generalize to unseen scenarios and reason intelligently in these settings. One impo

predictive model generalization unsupervised learning stability prediction block configurations

发现论文，激发创造

学习处理不确定性的线性化方法

本文提出一种新的体系结构和损失函数，以训练生成模型以预测未标记的自然视频序列中的帧，解决了无监督设置下训练这种层次结构的问题，并通过引入非确定性函数的潜在变量来解决预测中固有的不确定性问题。

Jun, 2015

预测未来的可预测性学习

该论文提出了一个基于超伯利几何的预测模型，能够从未标记的视频中学习可预测特征的层次结构，并在动作预测方面展现出层次表示法的关键作用。

Jan, 2021

同一领域内的视觉表示学习无法进行强泛化

通过对 17 种无监督，弱监督和完全监督的表征学习方法进行测试，本文观察到这些模型对于简单数据集中存在的发生因素都无法正确学习机制，且随着测试数据集的现实性增强，它们的泛化能力显著下降。

Jul, 2021

通过观察物体运动学习特征

本文介绍了一种基于无监督学习的视觉特征提取方法，采用运动分割技术自动从视频中得到图像分割信息进行卷积神经网络训练，结果在涉及少量目标训练样本的场景下显著优于现有无监督学习方法。

Dec, 2016

使用预测生成网络进行视觉结构的无监督学习

本文探讨了基于预测未来帧的 CNN-LSTM-deCNN 框架的深度神经网络开发的内部模型，该模型学习了高层次对象特征的丰富内部表示。可以广泛泛化，是一种有效的无监督学习方法。

Nov, 2015

通过行动理解世界

论文阐述了利用强化学习框架和大规模数据集进行无标签学习的思路及其应用。

Oct, 2021

监督无监督学习

提出了一种框架，利用从一组有监督数据集获取的知识来处理新的无监督数据集，该框架可以减少无监督学习中的主观性并提供一种评估无监督算法的原则方法，在聚类方面，它可以帮助选择聚类数量和算法，去除异常值并从许多小数据集中学习共性特征，从而实现了零样本学习。

Sep, 2017

通过多任务自监督预训练提高对于样本外泛化能力

本研究表明，在计算机视觉中，使用自监督学习获得的特征，在域泛化方面与或优于使用监督学习获得的特征，并引入了一个新的自监督预文本任务来预测对 Gabor 滤波器组的响应，使用多任务学习提高了域泛化性能。

Mar, 2020

通过转移不稳定的特征学习稳定的分类器

通过对源任务的数据环境进行对比，利用相关性偏差来建立稳定的分类器，并在目标任务中实现稳健性和最小化最坏风险，以实现无偏的机器学习模型。

Jun, 2021

评估性能预测模型的泛化能力

本研究提出了一种可以估算算法性能预测模型泛化能力的方法，并通过在基准测试套件之间训练预测模型来测试该方法的可行性，结果表明，特征空间中的泛化模式确实反映在性能空间中。

May, 2023