本研究提出了一种端到端归纳深度学习框架,解决了多视图表示学习问题,并在众包平台上收集了两个数据集以实验比较我们的方法与传统基线方法的性能。
Feb, 2023
通过研究三元组采样和 crowdsourcing UI 的影响,提出了一种成本效益更好的人工智能任务方法,以帮助机器学习和计算机视觉领域中的嵌入问题。
Apr, 2014
本论文提出了一个基于三元组比较的新型随机森林算法,用于度量空间中的数据回归和分类,不需要数据点的距离或具体表示方法,并证明其与其他直接访问数据表示的方法相当竞争力强。
Jun, 2018
本研究提出一种新的主动学习算法,该算法从外部数据中找出最具信息量的三元组比较方式;实验表明该方法需要远少于传统方法的三元组比较数量即可达到同等效果。
Nov, 2015
本文提出了三元组网络模型,通过距离比较来学习有用的表示方法,在多个数据集上的结果显示其比竞争对手孪生网络学习了更好的表示方法,而且还探讨了其作为无监督学习框架的未来可能用途。
Dec, 2014
本文研究三元损失函数的行为,表明在随机三元组选择的情况下,当三元损失函数的边缘大于潜空间中两点之间的最大距离时,可以利用其崩溃现象来限制机器学习模型所创造和长期保持的偏见,从而得到公平的分类器。
Jun, 2023
本文提出了一种新的线性损失函数来优化深度距离度量学习中的三元组损失函数,无需使用类别中心点最优化步骤,并有了实际运行时间复杂度为线性的算法。该方法在基准数据集上达到了竞争性的检索准确性结果。
Apr, 2019
本研究基于稳定性分析,研究了三元组学习的一般化保证,并获得了随机梯度下降和正则化风险最小化的高概率一般化上限和过量风险下限,这为三元组度量学习的理论奠定了基础。
本研究提出了一种针对三元组相似性评估的参数模型距离度量的主动学习策略,通过平衡信息性和多样性,该方法可以去相关化批处理的三元组,使选择每个标准的启发式方法脱钩,并证明该方法在实验中表现良好。
May, 2020
本文介绍一种利用三元组损失和变种 kNN 方法,以及基于音韵相似性的三元组挖掘方法相结合的表示学习技术,显著提高卷积网络的分类准确率,特别在语音识别领域中。作者还在 Google 语音命令数据集 V1 和 V2 中刷新最佳 SOTA 并超过 50% 的准确率提升。
Jan, 2021