基于局部对比的表格数据特征学习

Nov, 2022

基于局部对比的表格数据特征学习

Local Contrastive Feature learning for Tabular Data

Zhabiz Gharibshah, Xingquan Zhu

TL;DR本文提出了一种新的本地对比特征学习（LoCL）框架，其主题是从表格数据中学习本地模式 / 特征。利用特征相关性创建最大生成树并将其分解，使用卷积学习特征，受对比和重构损失控制，与其他领先方法相比在公共表格数据集上实验表明提出的方法的有效性。

Abstract

contrastive self-supervised learning has been successfully used in many domains, such as images, texts, graphs, etc., to learn features without requiring label information. In this paper, we propose a new local contrastive feature learning (LoCL) framework, and our theme is to learn lo

contrastive self-supervised learning local contrastive feature learning tabular data maximum-spanning tree convolutional learning

发现论文，激发创造

基于全局和局部表示的多网络对比学习

提出了基于全局和局部特征表示的多网络对比学习框架，通过多个网络引入自监督对比学习的全局和局部特征信息，并通过对比由多个网络生成的嵌入对来学习图像不同尺度上的特征信息，并扩展对比样本数，提高了模型的训练效率。在三个基准数据集上的线性评估结果表明，我们的方法优于几种现有的经典自监督学习方法。

Jun, 2023

双剑合璧：表格数据和图像数据的多模态对比学习

该研究介绍了一种结合 SimCLR 和 SCARF 的自监督对比学习框架，使用心脏 MR 图像和 120 项临床特征预测冠状动脉疾病风险，并展示了标签作为特征的监督式对比学习的性能。

Mar, 2023

Few-Shot 分类的空间对比学习

本文探讨使用反差学习作为辅助训练目标来促进更通用和可转移的特征，在此基础上提出了一种基于注意力的空间反差目标来学习本地区分和类别不可知特征。通过大量实验证明了该方法优于最先进的方法，证实了学习良好、可转移的嵌入在 few-shot 学习中的重要性。

Dec, 2020

具备理论保证的强健对比学习

通过开发严密的理论来剖析和确定无监督损失中能够帮助改善鲁棒监督损失的成分，并进行适当实验证实我们的发现。

Nov, 2023

LoDisc: 全局 - 本地辨别特征的自监督细粒度视觉识别学习

通过自监督局部微观对比学习任务，将细微的局部特征学习融合到全局自监督对比学习中，形成一个纯自监督的全局 - 局部微细对比学习框架，从而有效提高了细粒度图像特征表示的品质。

Mar, 2024

克服自监督对比学习在医学图像分割中的尺寸坍塌问题

本文研究将对比学习应用于医学图像分析领域，发现在医学图像上应用最先进的对比学习方法 MoCo v2 存在维度坍缩问题，并提出了局部特征学习和特征去相关两项关键贡献，实验证明这两个贡献显著提升了模型在医学分割任务的性能。本研究突显了将自监督学习技术有效适应医学图像任务特征的重要性。

Feb, 2024

全局特征和超列特征之间的跨情境学习的自监督表示学习

我们提出了一种新的自监督框架，利用交叉背景学习全局特征和超列特征之间的一致性，以增强实例之间的关系，实验证明我们的方法胜过现有的最先进方法。

Aug, 2023

SCARF: 使用随机特征破坏的自监督对比学习

SCARF 提出一种在真实的表格数据集上进行自监督对比学习的简单而普适的技术，在全监督设置和半监督设置中都可以提高分类准确率。

Jun, 2021

对比学习的少样本分类

本文提出了一种新的对比学习框架，将其无缝地整合到预训练阶段和元训练阶段，以提高少样本分类的性能，并使用交叉视图的情节训练机制进行最近的质心分类，并采用基于距离缩放的对比损失。

Sep, 2022

ReConTab：基于正则化对比表示学习的表格数据

通过构建基于原始特征的非对称自编码器和对比学习，ReConTab 引入了深度自动表示学习框架，显著提高了下游任务的性能，尤其是在表格数据领域，减少了特征工程时间消耗，增强了传统方法的性能。

Oct, 2023