AAAIJul, 2017

多标签分类任务的深度潜变空间学习

PDF
TL;DR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。
multi-label classificationdeep neural networkscanonical correlated autoencoderlabel-correlation sensitive loss functionend-to-end learning
发现论文，激发创造
  • 利用对比学习的高斯混合变分自编码器进行多标签分类

    通过构建高斯混合变分自编码器，基于对比学习构建了一个多标签预测模型，利用数据驱动方式有效挖掘标签信息和增强预测能力，且通过学习特征和标签的潜在空间实现了更好的性能，适用于多个公共数据集。

    Dec, 2021

  • 监督自编码神经网络潜空间配置的泛化改进

    本文研究了自编码器的潜在空间（LS）属性，并提出了两种获得期望拓扑结构的 LS 配置方法。研究表明，利用几何损失项直接作用于 LS 的损失配置方法可以可靠地获得期望的 LS 配置，从而可以在 LS 中定义相似性度量来预测标签或估计多个输入的相似性，而无需使用解码器或分类器。研究还证明，使用所提出的方法训练的有监督自编码器在纹理分类方面表现良好，并且可以在没有微调的情况下很好地泛化到来自 LIP、Market1501 和 WildTrack 数据集的未见数据，甚至可以用于评估未见类的相似性。此外，通过跨数据集搜索和基于文本查询进行文本搜索的实验证明了预配置的 LS 相似性估计的优势，而无需使用语言模型。

    Feb, 2024

  • 使用监督自编码器的半监督分类在生物医学应用中的应用

    这篇文章介绍了一种新的半监督分类方法，该方法使用监督自编码器网络，将标签编码到自编码器的潜空间，并定义一个结合分类和重构损失的全局准则，用 PyTorch 实现该半监督自编码器方法并展示其在生物医学应用中的卓越表现。

    Aug, 2022

  • 基于解耦变分自编码器的协方差感知多元 Probit 模型的多标签分类

    本篇论文提出了一个用于多标签分类的新型框架，即多元 Probit 变分自编码器（MPVAE），该框架通过有效地学习潜在的嵌入空间和标签之间的相关性来实现。同时，MPVAE 在公开真实世界数据集上优于现有的最先进方法，并且进一步证明了在嘈杂环境下的稳健性。最后，通过鸟类观测数据集的案例研究，展示了学习共享协方差矩阵的可解释性。

    Jul, 2020

  • 使用标签自编码器改进大规模 k 近邻文本分类

    本研究提出了一种多标签懒惰学习方法，以解决在存在高互相关联的复杂结构标签词汇的大型文档集合中的自动语义索引问题。该方法是传统 k 最近邻算法的演化，它使用经过训练的大型自编码器将大标签空间映射到较小的潜空间，并从该潜空间重新生成预测的标签。我们在 MEDLINE 生物医学文档集的大部分中使用医学主题词（MeSH）词库作为受控词汇对我们的提案进行了评估，实验中我们提出并评估了多种文档表示方法和不同的标签自编码器配置。

    Feb, 2024

  • 使用卷积和堆叠自编码器的无监督表示学习：领域和跨领域特征空间分析

    本文研究了不同的自编码器架构和训练策略，以从图像中学习表征，研究了网络深度和容量对降维和泛化能力的影响，结果表明自编码器特征的分类结果与预训练卷积神经网络一样有辨别能力。以上发现可用于设计跨领域的无监督表征学习方法。

    Nov, 2018

  • 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

  • 深度多视角表示学习：目标和优化

    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。

    Feb, 2016

  • HOT-VAE：基于注意力的变分自编码器学习多标记分类的高阶标记相关性

    本论文介绍了一种新的高阶关联学习框架 “HOT-VAE”，用于多标签分类，通过实验证明其优于现有的其他方法，可应用于多领域的真实世界数据集，并且涉及物体之间的复杂关系，特别适用于鸟类分布数据集的生态学指标。

    Mar, 2021

  • 深度判别潜空间聚类

    本研究提出优化自动编码器的磨损和判别力对数的预训练阶段，以获得更高的聚类准确性和更快的收敛速度。

    May, 2018