监督无监督学习
本研究提出了一种无监督图像分类框架,旨在通过不使用嵌入聚类来简化和优化深度聚类算法,并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类,目标检测,语义分割等任务的泛化性,以及其在迁移学习中的有效性。
Jun, 2020
本文提出了一种新颖的无监督学习框架,能够直接解决鲁棒模型拟合问题,相比之前的无监督学习方法,本方法在多个重要的计算机视觉问题上表现出色,并与传统方法取得了有竞争力的结果。
Mar, 2021
该综述论文总结了流行的无监督学习方法,并概述了这些方法在天文学中的过去、现在和未来的应用。无监督学习通过组织数据集的信息内容,以便能够提取知识。传统上,这是通过降维技术的实现,如主成分分析或使用自编码器,或者通过高维空间的简化可视化,例如使用自组织映射等。无监督学习的其他可取属性包括识别集群,即类似对象的组群,这传统上是通过 k 均值算法或最近通过密度聚类如 HDBSCAN 实现的。最近,出现了将降维和聚类方法链结在一起的复杂框架。然而,现在没有数据集是完全未知的。因此,目前有很多研究致力于自监督和半监督方法,它们既受益于有监督学习又受益于无监督学习。
Jun, 2024
本文提供一个综合性的比较不同无监督学习方法在图像特征表达方面的表现,使用线性评估、最近邻分类和聚类等多个基准测试来定量比较,分析了不同嵌入度量的均匀性、容忍性和中心内核对齐,并提出了两个新的度量。通过比较分析发现不能以单一流行的方法来代表整个领域的研究,在未来的工作中,应考虑如何利用这些方法的互补性。同时提供了一个统一的框架来定量数据增强不变性,并提醒不同任务需要的增强不变性类型各有差异。
Jun, 2022
我们开启了对个性化无监督学习的系统研究,通过基于层次贝叶斯统计框架的优化准则,开发了一种自适应算法,在使用有限的本地数据和协作信息之间寻找平衡。我们在个性化降维和个性化扩散模型的背景下开发了我们的自适应算法,并对其进行了收敛性分析,揭示了问题参数(例如,异质性,本地样本大小)的依赖关系。我们还为个性化扩散模型开发了一个理论框架,展示了即使在异质性下也能从协作中获益。最后,我们使用合成和真实数据评估了我们提出的算法,展示了通过协作诱发的针对个性化任务的有效样本放大,尽管数据异质性存在。
Feb, 2024
本研究提出一种对物体在不同域中的识别问题采用监督学习和自监督学习方法相结合的多任务学习算法,通过学习对象形状,掌握空间定向和部件相关性等概念,证明该算法在域通用和适应性方面具有较高的竞争力。
Jul, 2020
本研究提出了一种新颖的理论框架,用于无监督学习,具有不需要任何生成模型和基于最坏情况性能指标的特点。特别地,本研究测量性能是相对于给定的假设类进行的比较,这有助于避免已知的计算难度结果和基于凸松弛的不当算法。我们展示了如何通过凸优化在我们的框架下有效地学习多个无监督学习模型家族,这些模型家族以前仅在概率假设下进行分析,并且在其他情况下是可以证明棘手的。
Oct, 2016