ICLRMay, 2022

从单细胞显微镜数据学习蛋白质的多尺度功能表征

PDF
TL;DR本文发现了卷积网络可以学习蛋白质表征并且比自编码器模型表现更好。同时，提出了一种评估蛋白质表征质量的策略，并且关注蛋白质在细胞中的定位和荧光显微镜数据。
protein localizationfluorescent microscopyrepresentation learningconvolutional networksevaluation strategy
发现论文，激发创造
  • 基于 CGAN 的叙述学习与因果推断

    本文提出了一种新方法通过采用对抗思想来寻找表示学习函数，结合 CGAN 的模式和理论结果，证明了在两个分布平衡的情况下，可以找到理想的表示函数，并可用于进一步的研究。

    Jul, 2024

  • 统一转换：变分自编码器中的潜在表示优化

    通过引入一种新颖的可适应三阶段均匀变换（UT）模块，解决变分自编码器中的潜在空间不规则分布问题，该模块包括高斯核密度估计（G-KDE）聚类、非参数高斯混合建模（GM）和概率积分变换（PIT），通过将不规则分布重新配置成潜在空间中的均匀分布，显著增强了潜在表示的分离性和可解释性，克服了传统 VAE 模型在捕捉复杂数据结构方面的局限性。实证评估表明，我们提出的 UT 模块在改善标准数据集（dSprites 和 MNIST）上的分离度度量方面非常有效。研究结果为推进表示学习技术指明了有希望的方向，并为将该框架扩展到更复杂数据集和下游任务的未来研究提供了启示。

    Jul, 2024

  • SiamTST：面向电信网络的增强多变量时间序列预测的新型表示学习框架

    介绍了 SiamTST，这是一个用于多变量时间序列的创新表示学习框架。SiamTST 整合了孪生网络、注意力机制、独立于通道的分块和标准化技术，以实现卓越的性能。在一个真实的工业电信数据集上进行评估，SiamTST 在预测准确性方面显示出了显著的改进，而一个简单的线性网络也表现出竞争性能，仅次于 SiamTST。可在此 https URL 获取代码。

    Jul, 2024

  • 提取和编码：利用大型语言模型和医学知识增强放射学文本表示

    通过提取高质量的事实陈述来改善文本编码器的表示并提高在各种下游任务中的性能，研究文章介绍了一种针对医学领域等专业领域中表征学习的新颖两阶段框架。

    Jul, 2024

  • CLEME2.0：通过解构编辑项实现更可解释的语法错误修正评估

    本篇论文着重于改进语法错误修正（GEC）度量的可解释性，提出了基于参考的评估策略 CLEME2.0，描述了 GEC 系统的四个基本维度，即击中修正、错误修正、欠修正和过修正，综合这些维度对系统进行评估，能够获得高度一致性的人工判定结果。在两个人工判定数据集和六个参考数据集上进行了大量实验证明了该方法的有效性和鲁棒性。经同行评审后，所有代码将会发布。

    Jul, 2024

  • 通过利用文本子空间提高高效个性化文本到图像生成

    我们提出了一种有效的方法来在文本子空间中探索目标嵌入，借鉴了自我表现性特性，并提出了一种有效的选择策略来确定文本子空间的基向量。实验评估表明，所学习的嵌入不仅能够忠实地重构输入图像，还能显著改善其与新的输入文本提示的对齐性。此外，我们观察到在文本子空间中优化能够显著提高对初始词的鲁棒性，从而放宽了用户需要输入最相关初始词的约束。我们的方法为个性化文本到图像生成的更高效的表示学习打开了大门。

    Jun, 2024

  • 扩散模型与表征学习综述

    扩散模型和表示学习之间的相互作用进行了综述，包括数学基础、去噪网络架构和引导方法等方面，阐述了与扩散模型和表示学习相关的各种方法，并提出了对扩散模型和表示学习分类的综合概述以及现有关注点和潜在研究领域。

    Jun, 2024

  • UniRec：顺序推荐中统一性和频度的双重提升

    UniRec 是一个新颖的双向增强顺序推荐方法，利用序列一致性和物品频率来提高性能，特别是在表示不均匀序列和低频物品方面；与其他先进模型相比，在四个数据集上表现显著优越。

    Jun, 2024

  • 遮蔽的生成提取器：点云的协同表征与 3D 生成

    2D 图像生成建模，表示学习，Point-MAGE，点云数据，神经场表示。

    Jun, 2024

  • 自我预测何时有帮助？理解增强学习中的辅助任务

    我们研究了辅助学习任务对强化学习中的表示学习问题的影响，包括观测重建和潜在自预测，并研究它们如何与干扰项和观测函数在 MDP 中交互。

    Jun, 2024