提高概率框嵌入中的本地可识别性

Oct, 2020

提高概率框嵌入中的本地可识别性

Improving Local Identifiability in Probabilistic Box Embeddings

Shib Sankar Dasgupta, Michael Boratko, Dongxu Zhang, Luke Vilnis, Xiang Lorraine Li...

TL;DR本文主要研究了如何通过应用 Gumbel 分布来解决 geometric embeddings 中的局部可识别性问题，以及如何改进算法的学习能力。

Abstract

geometric embeddings have recently received attention for their natural ability to represent transitive asymmetric relations via containment. Box embeddings, where objects are represented by n-dimensional hyperrectangles, are a particularly promising example of such an embedding as the

geometric embeddings box embeddings gaussian convolution gumbel distributions learning

发现论文，激发创造

高斯边界框和概率交并比在目标检测中的应用

本文探索一种使用高斯分布对物体区域进行模糊表示的方法，并提出了一种基于 Hellinger 距离的相似性度量方法，它可以被视为概率交集（ProbIoU），该方法在公开数据集中更接近于带注释的分割掩模。实验表明，基于 ProbIoU 的损失函数可以成功地用于回归高斯表示的参数，并且该论文提出了一种将传统（或旋转）边界框映射到高斯表示的简单映射方案。

Jun, 2021

Concept2Box: 学习两视图知识图谱的联合几何嵌入

Concept2Box 提出了一种新方法，它使用双重几何表示技术联合嵌入了一个 KG 的两个视图：本体视图概念和实例视图实体。这种方法使用盒形嵌入来模拟概念，并使用向量来模拟实体，并提出了一种新的向量到盒形距离度量方法。

Jul, 2023

基于概率的盒式嵌入模型用于不确定知识图谱推理

BEUrRE 是一种基于不确定性知识图嵌入方法，采用校准概率语义，将实体建模为包含几何形状的盒子，通过有效的交集和体积计算，以及关系转换来捕捉高阶依赖关系，能够在信心预测和事实排序方面显著优于其他基线模型。

Apr, 2021

可解释的非度量盒嵌入预测图像之间的视觉重叠

本文介绍了一种可解释的图像嵌入方法，通过对已知具有 3D 可视表面重叠的训练示例进行测量，从而学习场景特定的相似度，并通过简单且快速的方式减少了在不同比例下的查询图像匹配和几何验证中的搜索成本。

Aug, 2020

von Mises-Fisher 损失：探索嵌入式几何模型用于监督式学习

研究了 embedding geometry 对 softmax losses 在分类和图像检索任务中的影响，并提出了一个基于 von Mises-Fisher 分布的概率分类器，在产生改进的 out-of-the-box 校准的同时，与现有技术方法相比具有竞争力。

Mar, 2021

BoxE: 一种用于知识库补全的盒子嵌入模型

BoxE 是一个新的嵌入模型，它可以同时解决目前模型存在的不表达、不支持显著推理模式、不支持高阶关系和不支持逻辑规则等限制性因素。 BoxE 成功地对许多所需的逻辑属性进行了自然编码，并表现出了最先进的性能。

Jul, 2020

随机嵌入全局优化中低维域的选择

本文探讨了优化问题中的低维嵌入假设及其在约束条件下的优化，提出了一种低维度选择方法并在实例中展示。

Apr, 2017

透过几何约束概率建模发现新颖的生物医学概念

将几何受限的概率建模方法应用于机器学习以解决生物医学领域中累积数据的挑战，从而实现科学发现中的新类别探索。

Mar, 2024

Query2box: 在向量空间中使用盒式嵌入对知识图谱进行推理

提出了一种基于嵌入的查询框架，使用矢量空间嵌入复杂逻辑查询，将查询表示为盒子并将合取作为盒子交集表示，而将极限作为在 DNF（析取正规形式）中转换后处理。

Feb, 2020

Task2Box：用于建模非对称任务关系的盒子嵌入

使用盒子嵌入方法（在低维空间中使用轴对齐的超矩形）可以准确地捕捉任务之间的不对称关系，并用于任务之间的预测和可视化。

Mar, 2024