针对基于三元或四元距离比较嵌入点的问题,以及只提供局部比较的变体问题,本文在最近关于序数嵌入的研究基础上,得出了大样本一致性结果和收敛速率,并受到其他相关研究的启发,对需要实现一致性所需的比较次数进行了限制。
Jan, 2015
本文研究基于距离比较的序列嵌入问题,考虑给定的限制条件因人类判断而产生误差和变异性,提出了新的算法来预测和优化嵌入结果。
Jun, 2016
提出了一种基于分布式边际学习(DMOE)的序数嵌入技术,用于解决缺乏训练样本时的序数嵌入问题,该方法避免了直接最大化边际均值和最小化边际方差,从而提高了整体的泛化性能。
Dec, 2018
基于鲁棒有序方法和不确定性集合的决策模型,学习决策者对子集间偏好的偏好预测方法及评估。
Aug, 2023
本文对基于嵌入式检索系统在社交网络搜索引擎上的应用进行了分析,在此基础上定义了完整性和垃圾这两大关键问题,并提出了一些有效方法用于解决该问题。作者指出,虽然这些方法还只是初步尝试,但已经取得了良好的离线指标和在线实验数据,未来还有更多研究可进一步探索。
Apr, 2023
本文提出了学习概率顺序嵌入来表示每个数据的方法,这些嵌入由多变量高斯分布表示,以更好的建模回归中的不确定性,并且可以与流行的回归方法集成,通过实验结果证明其具有竞争性的表现和确定性评估的能力。
Mar, 2021
本文提出了一种基于地标的策略,称为 Landmark Ordinal Embedding(LOE),来解决现有的序数嵌入问题,通过利用潜在嵌入的低维度来平衡统计效率和计算效率,并在 Bradley-Terry-Luce 噪声模型下说明了 LOE 的统计一致性,并通过对计算复杂度进行严格分析,证明 LOE 在项目数量增加时明显比传统序数嵌入方法更高效。同时,本文还提出了一种实用的方法,利用 LOE 来热启动更具统计效率但计算代价较高的现有方法。
Oct, 2019
通过引入一种新的稳定 Barzilai-Borwein (SBB) 方法,我们提出了一种叫做 SVRG-SBB 的随机算法,用于从相对相似性比较中学习表示,该方法不需要使用奇异值分解(SVD),具有良好的可扩展性以及自适应步长选择。 同时,我们通过仿真和实验的方法,展示了该算法与最先进的方法相比,具有更低的计算成本和良好的预测性能。
Nov, 2017
本文研究知识图谱中可能存在的噪声问题,并提出混合模块化的方法进行错误检测和关系表示,对两个基准测试和一个实际的生物医学出版物数据集进行比较分析,展示了处理噪声知识图谱时图形嵌入技术的潜力和见解。
Feb, 2020
该研究介绍了一个交互式系统 ——Embedding Comparator,它可以用于快速比较不同维度的嵌入向量空间,帮助用户快速可视化了解语义变化,实现了从手动操作到可视化操作的转换。
Dec, 2019