高维数据的联合和渐进式学习,用于多标签分类
本文提出了一种联合学习分类器参数与标签嵌入的方法,用于多标签分类的层次化关系建模,结果表明该方法对具有效性,超过了以往基于共现信息的预训练超几何嵌入方法。
Jan, 2021
本论文结合多任务学习和半监督学习,通过在不同标签空间之间引入联合嵌入空间以及学习标签嵌入之间的转移函数,使得我们能够共同利用未标记数据和辅助的已标记数据集。我们在多个序列分类任务中评估了我们的方法,并且超过了强单任务和多任务基线,实现了新的基于主题的情感分析最新成果。
Feb, 2018
通过使用 JLSPCADL 方法,利用 Johnson-Lindenstrauss 引理选择转换空间的维度,并使用 Modified Supervised PC Analysis 与 JL 确定的维度的投影转换矩阵,建立一个具有更好分类性能的优化特征空间和字典原子的适当畸变水平和相应的适当描述长度。
Aug, 2023
使用联合投影学习与张量分解的方法(JPLTD)解决了不完整多视图聚类(IMVC)中的问题,包括高维特征冗余和噪声、图的噪声以及丢失样本引起的图噪声,并通过 JPLTD 模型的优化算法取得了优于现有方法的实验结果。
Oct, 2023
本文提出了一种利用卷积自编码器将图像转化为线性子空间并进行深度子空间聚类的新方法,通过在编码器和解码器之间插入多个线性层和一个新型的损失函数来提高模型性能。实验结果表明,该方法在多个真实数据集上均显著超越同类方法。
Jan, 2020
基于机器学习和数据科学的关键方法之一,流形学习旨在揭示高维空间中复杂非线性流形内部的内在低维结构。我们提出了一种可扩展的流形学习方法,可以高效地处理大规模和高维数据,从而应用于可视化、分类等领域。
Jan, 2024
持续学习中保护之前学习到的知识,同时学习新任务的最终目标。为了减轻对先前知识的遗忘,我们提出了一种新的知识蒸馏技术,它考虑了神经网络的潜在 / 输出空间的流形结构,在学习新任务时将数据流形近似为一阶,并利用线性子空间来建模结构并保持神经网络的知识,从而降低持续学习中的灾难性遗忘。我们还讨论并展示了如何采用我们提出的方法来解决分类和分割问题。在实证上,我们观察到我们提出的方法在包括 Pascal VOC 和 Tiny-Imagenet 在内的几个具有挑战性的数据集上优于各种连续学习方法。此外,我们展示了如何将所提出的方法与现有的学习方法无缝结合,以提高它们的性能。本文的代码将在此 https URL 处提供。
Jul, 2023
Tree ensembles and Joint Optimization of Piecewise Linear ENsembles (JOPLEN) achieve superior performance in regression, classification, and feature selection, employing global refinement, penalties, and multitask feature selection.
May, 2024
该研究提出了一种基于子空间共同正则化多视角学习的新的跨语言文本分类方法,通过机器翻译产生的平行语料库来使不同语言间的标签知识得以转移,该方法在大量跨语言文本分类任务上优于其他归纳方法,领域自适应方法和多视角学习方法。
Jun, 2012