关系数据表示的嵌套子空间排列

ICMLJul, 2020

Nested Subspace Arrangement for Representation of Relational Data

Nozomi Hata, Shizuo Kaji, Akihiro Yoshida, Katsuki Fujisawa

TL;DR探讨了获取离散对象（如图形和知识库数据）的适当连续表示的研究，并引入了 Nested SubSpace（NSS）布局和 Disk-ANChor ARrangement（DANCAR）表示学习方法。DANCAR 在重建任务中嵌入了 WordNet，并适用于了解图形特征的可视化。

Abstract

Studies on acquiring appropriate continuous representations of discrete objects, such as graphs and knowledge base data, have been conduct

continuous representations graphs knowledge base data representation learning dancar

发现论文，激发创造

多层图方法用于深度子空间聚类

深度子空间聚类网络通过线性子空间聚类算法学习表示矩阵，进一步改进了多层图的性能，并在聚类外样本数据点中取得了统计学上显著的改进。

Jan, 2024

深度稀疏子空间聚类

本文提出了一种深度扩展的稀疏子空间聚类方法，称为深层稀疏子空间聚类（DSSC）。通过神经网络的非线性变换，DSSC 不仅满足了 SSC 的稀疏性原则，还同时满足了学习深度特征的单位球分布假设。实验证明 DSSC 在四个真实世界数据集上具有明显优势，是目前为止最好的基于深度学习的子空间聚类方法之一。

Sep, 2017

深层结构和注意力感知的子空间聚类

提出了一种新颖的深度结构和注意力感知子空间聚类方法（DSASC），同时考虑了数据内容和结构信息，通过使用视觉转换器提取特征，并将这些特征分为结构特征和内容特征，用于学习更高效的子空间结构进行谱聚类。大量实验结果表明，该方法明显优于现有方法。

Dec, 2023

深度子空间聚类网络

本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构，其中引入了一种自相似层，以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类，并且在实验中表现出优于现有方法的性能。

Sep, 2017

学习结构感知的深度谱嵌入

本研究提出了一个深度学习算法，通过结构感知谱嵌入和结构保持，编码输入数据的子空间结构和形状信息，并基于自表达学习和注意力机制，能够更好地处理非线性数据集的聚类问题，并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。

May, 2023

基于子空间表示与学习的音系口语语言识别

本研究提出了一种基于子空间表示的新的学习机制，可用于从话语中提取隐藏的音位结构以进行语言验证和方言 / 口音识别，并通过核机器（如支持向量机和基于子空间的神经网络）的子空间学习实现。

Mar, 2022

Poincaré 嵌入用于学习分层表达

通过将符号数据嵌入超载空间（或更确切地说是 n 维庞加莱球）来学习符号数据的分层表示的方法，通过实验证明 Poincare 嵌入在具有潜在层次结构的数据上显着优于欧几里得嵌入，无论是在表示能力还是泛化能力方面。

May, 2017

最近邻搜索的学习空间划分

本研究提出一种新的框架用于构建空间划分，将问题转化为平衡图划分和监督分类，并结合 KaHIP 图分区器和神经网络，实现了一种新的分区过程称为神经局部敏感哈希（Neural LSH），实验证明 Neural LSH 的分区在标准最近邻搜索（NNS）基准测试中，始终优于基于量化和树的方法，以及经典的数据无关 LSH。

Jan, 2019

神经协作子空间聚类

研究介绍了神经协同子空间聚类，一种无需谱聚类辅助即可发现低维子空间中数据点集簇的神经模型。关键在于分类器的构建和两个相关矩阵的协同训练。与其他聚类算法相比性能更优。

Apr, 2019

面向体验型人工智能的连续场景表示

提出了一种基于连续值嵌入的场景表示方法 —— 连续场景表示（CSR），该方法由一个具有定位能力的机器人在场景中移动并建模物体及其关系组成。在 CSR 中，对象之间的关系被表示为二元组的形式，使得它可以逐渐逐帧地构建对象的图形模型，并且具有良好的解释性。应用于实际数据中的 CSR 不仅能够追踪场景中的对象，还能够实时地检测房间中的配置变化，优于当前最先进的场景表示方法并无需特定培训即可完成具有挑战性的将虚拟物体重排的任务。

Mar, 2022