无监督相关分析
本文介绍了一种双向神经网络架构,该架构通过使用欧几里得损失将两个数据源的向量进行匹配,并演示了在 MNIST 图像匹配和 Flickr8k、Flickr30k 和 COCO 数据集上的计算机视觉匹配任务中的最新结果。
Aug, 2016
本文研究跨域图像检索的无监督情况,提出了一种新的无对应关系的跨域对齐方法,即不考虑对应关系和类别注释的情况下,利用 In-domain 自匹配监督机制和跨域分类器对齐消除跨域差异,实现了无监督跨域图像检索。
Feb, 2023
提出了一种新的框架 Aligned Canonical Correlation Analysis (ACCA),通过迭代地解决对齐和多视角嵌入,解决了多数实际情况中需要的传统方法中不清晰的各种数据视角之间的对齐问题。
Dec, 2023
探索多个观测随机向量之间的潜在共变性的经典统计方法 —— 典型相关分析 (CCA) 以及其扩展和变化在发现多视图数据集中的共同随机因素方面的能力。该研究设计了一种新颖高效的模型,适用于典型相关分析的深度扩展,并克服了现有方法的局限性,将私有组件建模为在给定共同组件的条件下条件独立,从而提供了一种更紧凑的表述形式。通过合成数据和实际数据的实验验证了我们的结论和方法的有效性。
Dec, 2023
本研究采用特征值分解解决非参数正相关分析问题,通过数据估计种群密度,降低计算负担,提高非参数 CCA 的性能,同时提出了部分线性 CCA 算法用于处理单个视图的线性投影问题。
Nov, 2015
本文介绍了经典相关分析如何通过正则化、核、和稀疏等不同变体实现对变量集对之间的关系的研究。同时作者提供了数值例子,希望这篇文章成为数据分析人员使用经典相关方法的实用工具。
Nov, 2017
本研究介绍了一种名为张量 CCA (TCCA) 的多视角学习方法,它可以处理任意数目的视角的数据。通过分析不同视角的协方差张量,TCCA 试图直接最大化多个 (超过两个) 视角的典型相关性,并探索了容易被忽略的高阶统计数据量,可以通过最小化数据协方差张量的最佳秩 1 近似值来解决。
Feb, 2015
本文提出了一种基于最小二乘法的稀疏凸框架解决典型相关分析(CCA)的新方法,特别关注了在第一个视图中使用原始表示而在第二个视图中使用对偶表示的情形,展示了该方法在英语 - 法语和英语 - 西班牙语配对语料库中的 Mate-Retrieval 任务上的应用,表明当原始特征数较大时,Sparse CCA 优于 Kernel CCA。
Aug, 2009
通过优化每个视图的映射,该方法能够找到直接优化多视图之间数据分析任务的相关子空间,其标准从定义良好的检索任务中产生,检测非线性和本地相似性,并且在保留跨视图邻域相似性方面优于其他替代方案。
Nov, 2015
本文提出了一种简单且有效的无监督领域自适应方法 ——CORrelation ALignment (CORAL),通过对齐源域和目标域的二阶统计信息来最小化领域偏移,而不需要目标标签。相比于子空间流形方法,CORAL 原始特征分布不需要低维子空间基项的对齐,且比其他分布匹配方法更为简单。CORAL 还扩展到了非线性转换对齐深度神经网络中的层激活的相关性,通过在标准基准数据集上取得了最新的性能,最终获得了 Deep CORAL 方法。
Dec, 2016