Jun, 2018

MSplit LBI: 在 Few-shot 和 Zero-shot 学习中同时实现特征选择和密集估计

PDF
TL;DR本文提出了一种新的方法 --MSplit LBI 来同时实现特征选择和密集估计，实验证明该方法优于 L₁和 L₂正则化，并在 few-shot 和 zero-shot 学习中实现了最先进的性能.
发现论文，激发创造
  • 具有结构稀疏性的增强：差分包容方法

    本文提出了一种基于约束梯度下降和结构稀疏性控制的新型 Boosting-type 算法 Split LBI，其在模型选择方面比流行的广义 Lasso 更具优势，并可以实现路径一致性和最小二乘误差下降到最小的最优化速率，为图像去噪、运动队部分排序和大学排名等多个领域的应用提供了实用和好处。

    Apr, 2017

  • 二值随机过滤器：特征选择及其它

    本研究提出了一种利用稀疏正则化方法进行特征选择的神经网络扩展方法，比传统方法更为高效且可用于任何现有结构，同时能够直接应用于神经元修剪和光谱数据的重要区域选择。

    Jul, 2020

  • GBE-MLZSL: 多标签零样本学习的群体双增强框架

    在多标签场景中，本研究提出了一种新颖有效的组群双增强框架（GBE-MLZSL），以充分利用局部和全局特征，实现更准确和稳健的视觉语义投影，实验结果表明，GBE-MLZSL 可大幅胜过其他最先进的方法。

    Sep, 2023

  • 多视角稀疏拉普拉斯特征图在非线性光谱特征选择中的应用

    多视图稀疏拉普拉斯特征映射是一个基于图的方法，通过多次观察数据以构建更强健和信息丰富的高维数据表示，通过稀疏特征分解和优化算法来降低数据维度并获得一个特征集。作者在 UCI-HAR 数据集上进行实验证明即使将特征空间减少 90%，支持向量机（SVM）的错误率仅为 2.72%，且在整体特征空间减少 80% 的情况下 SVM 精度为 96.69%。

    Jul, 2023

  • 嵌入动态式的自监督学习方法

    本文提出一种名为 MSBReg 的动态模型，用于图像嵌入的多视角聚类。该模型结合吸引力、扩散力和纠正力，通过对相似图像的嵌入进行优化，能够在多种图像分类和迁移学习任务中表现出色，并可以用于对其他方法进行正则化以提高性能和稳定性。

    Jul, 2022

  • 学习分割以实现自动偏差检测

    本文介绍了一种自动偏差检测算法，名为 Learning to Split，可用于超视带学习问题中的训练集和测试集分离和偏差发现，此算法能够自动检测到偏差，并结合强大的机器学习算法，实现自动去偏差。

    Apr, 2022

  • 稀疏强化学习的贪心算法

    详细分析了正交匹配追踪（OMP）在强化学习中的可行性和效率，同时与 $L_1$ 正则化方法进行比较，并提出了支持特征字典假设的 OMP-BRM 变体和在近似准确度和效率方面优于先前方法的 OMP-TD 变体。

    Jun, 2012

  • 多模态学习稀疏检索与概率扩展控制

    通过利用 Bernoulli 随机变量控制查询扩展，我们提出的训练算法能够有效减少高维共同激活和语义偏差，并在多模态设置中训练了一种有效的 LSR (learned sparse retrieval) 检索模型，该模型在训练时间和 GPU 内存需求方面优于现有的文本 - 图像 LSR 模型。

    Feb, 2024

  • SLM: 稀疏可学习掩模的端到端特征选择

    提出 SLM (Sparse Learnable Masks) 方法，采用了可学习的稀疏掩码，通过最大化选定特征与标签之间相互信息的方法进行端到端的特征选择，可精确控制选择的特征数，并在多个基准数据集上达到最先进的结果。

    Apr, 2023

  • 稀疏时空脑机接口的分解方法

    本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法，通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况，成功地提取到了稀疏条件下的脑电信号的决定性特征。

    Jun, 2022