Oct, 2019

PREMA: 基于原则的多视角张量数据恢复

PDF
TL;DR本文提出了一种名为 PREMA 的算法，利用低秩张量分解工具来融合多视角数据，并在某些条件下提供恢复保证，以重构多个粗略视角数据的精细级别数据，以解决个性化分析和预测的问题。
multidimensional datadata aggregationdata disaggregation algorithmstensor factorizationdata recovery
发现论文，激发创造
  • 聚合递归在图分析到机器学习中的大数据应用

    使用 PreM 概念优化聚合 - 分层程序的语义，使递归逻辑程序和演绎数据库具有高效操作语义，并使其能够在分布式平台上具有优越的性能和可扩展性，进而可实现各种数据挖掘和机器学习应用的声明式表达，包括 Datalog、Prolog 和 SQL

    Sep, 2019

  • 多视角 MERA 子空间聚类

    介绍了一种低秩多尺度纠缠重整化状态 (MERA) 基于 MSC 的算法 (MERA-MSC)，并将其扩展为可扩展的低秩 MERA 的基础上发展出 MVC (sMERA-MVC) 算法，并在五个数据集上对比实验，优于其他基于 MSC 方法。

    May, 2023

  • 分类与回归的多尺度张量网络架构

    通过对数据进行一系列的小波变换，提出一种使用张量网络进行监督学习的算法，其中使用了矩阵乘积状态来处理粗粒化的数据，并使用基于密度矩阵重整化群算法的自适应算法来训练 MPS。

    Jan, 2020

  • PREM：一种简单而有效的用于节点级图异常检测的方法

    通过 PREprocessing and Matching (PREM) 方法，我们简化了节点级图异常检测（GAD），减少了时间和内存消耗，并且在维持强大的异常检测能力方面取得了成功。

    Oct, 2023

  • 基于注意力正则化的半监督粗分辨率数据分类

    本文提出了利用多视角框架的分类算法，以帮助训练对于精细分辨率下的数据有效的模型，应用于通过卫星观测进行城市区域绘图和文本数据的情感分类等实际应用中具有很好的效果。

    Jan, 2020

  • VERAM：视图增强的循环注意力模型用于 3D 形状分类

    本文提出了一种名为 VERAM 的递归注意模型，能够主动选择一系列视角进行高精度的三维形状分类，通过三个关键增强策略解决了现有注意力模型中不平衡训练的问题，实现了状态下的最先进水平。

    Aug, 2018

  • 使用多模态预训练的检索增强型生物医学视觉问答系统 RAMM

    本文介绍了一种针对生物医学问题的图像和文字的多模态预训练和微调方法，该方法使用检索增强来克服数据限制问题，并收集了一个名为 PMCPM 的新生物医学数据集，实现了目前最先进的性能。

    Mar, 2023

  • 通过并行 ADMM 进行广义高阶张量分解

    针对高阶张量分解中的模型选择、大规模数据和计算效率等难点，本文提出了一种基于迹范数的正则化并可并行计算的分解方法，能够有效分解低秩结构的张量，并具有较强的鲁棒性。

    Jul, 2014

  • 利用辅助数据的集成学习方法进行可解释的半监督人口预测与细分

    本文提出一种基于聚合学习范式的方法，对人口普查进行高分辨率的细粒度分析，以此来评估人口数量的动态变化以及气候、自然灾害、基础设施投资、发展政策等对人口数量的影响。我们的简单可解释模型在某些指标上已超越最先进技术，证明该方法的有效性。

    Jun, 2019

  • 使用 ADMM 进行规模化多关系学习

    本文提出了一种基于共识优化的新型可扩展的多关系分解方法，名为 ConsMRF，采用 ADMM 框架进行优化，可轻松并行化处理 Web 规模的数据，并在大型 Web 数据集上显示出效率和性能的改进。

    Apr, 2016