引入广义协方差约束来编码数据融合和迁移学习应用中的额外统计信息,截至目前的最佳技术 CGMCA 可以比 MCA 更有意义地编码地图,并提供了计算算法。
Oct, 2021
本文提出了一种名为 ACA 的算法,利用对数据的增强进行自我监督学习。该算法通过对数据的增强进行特征提取得到数据的增强分布,然后采用对比损失将其映射到低维空间中,实现有效的数据降维,从而提高了数据的相似性计算效率。
Jun, 2022
本文提出了一种离散数据分析的统一理论,并将该理论与独立分量分析、非负矩阵分解和潜在狄利克雷分配等技术进行了比较。讨论的主要算法包括变分近似、吉布斯抽样和 Rao-Blackwellised Gibbs 抽样。文章介绍了在美国参议院 2003 年的投票记录和路透社 - 21578 新闻线路集的应用。
Apr, 2006
提出生产可重复使用的网络组件通过改变训练过程实现网络兼容性,进而在不降低准确率的基础上,将不同任务的网络组件分为特征提取器和目标任务头,从而在标准数据集上进行图像分类等任务,并演示了在无监督域适应,跨不同架构的特征提取器转移分类器,以及提高转移学习的计算效率等三个应用。
Apr, 2020
我们提出了一种两步传递学习算法,通过从多个主成分分析(PCA)研究中提取有用信息来增强目标 PCA 任务的估计精度,并对理论进行了分析,证明了在知识传递之后经验谱投影矩阵的双线性形式在较弱的特征值间隔条件下渐进地正态分布。
Mar, 2024
本文提出了一种新的半监督少样本学习的转移学习框架,用于充分利用标记基础分类数据和未标记新类数据的辅助信息,并基于该框架开发了一种称为 TransMatch 的新方法,通过 Imprinting 和 MixMatch 实例化三个组件,实验结果表明,该方法可以显著提高少样本学习任务的准确度。
Dec, 2019
这篇论文介绍了一个名为 component modeling 的任务,旨在解决机器学习模型如何将输入转化为预测的内部计算方式,并提出了 COAR 算法用于估计组件归因,证明其在模型编辑方面的有效性。
Apr, 2024
通过使用各种迁移学习模型来预测氢 / 空气混合物的均相点火过程数据驱动的降阶模型的化学源项等目标,本研究评估了是否可以减少所需的训练样本数量。
Dec, 2023
本文介绍了一种表达能力强且带有层次结构约束的 Deep Component Analysis 模型,并提出了基于递归交替方向神经网络(ADNNs)的可微优化算法实现。通过将前馈神经网络解释为模型中推理的单次迭代近似,不仅提供了一种新的理论视角,还提供了一种利用先验知识约束预测的实用技术。在实验中,我们证明了该模型在许多任务上的性能改进,包括单图像深度预测与稀疏输出约束。
Mar, 2018
本文讨论了如何在双曲空间中运用 Congruent Procrustes analysis 寻找最佳匹配的方法,并给出了在没有测量噪声的情况下的最优同构闭合式解。同时,作者还分析了该方法在测量噪声存在时的性能表现。
Feb, 2021