Apr, 2023

MD-Manifold: 基于医学距离的表征学习方法，用于医学概念和患者表征

PDF
TL;DRMD-Manifold 是一种新颖的医学概念和患者表示法的框架，结合了数据增强方法、概念距离度量和患者网络，将关键的医学领域知识和先前数据信息纳入医学任务中，能够更准确地反映医学知识和患者特点，并在各种下游医学数据分析任务中优于其他现有技术。
medical conceptsmd-manifoldpatient representationmanifold learninghealthcare analytical tasks
发现论文，激发创造
  • 利用流形先验在模型训练中融入远程学习

    本研究提出了 Distance Learner 方法，利用 “流形假设” 作为先验知识，对于 DNN-based 分类器进行训练，结果表明 Distance Learner 相比标准分类器学习到更有意义的分类边界，并且在对抗鲁棒性任务中表现出色。

    Jul, 2022

  • Manifold: 机器学习模型解释和诊断的模型无关框架

    Manifold 是一种利用视觉分析技术支持机器学习模型解释、调试和比较的通用框架，能够检查、解释和检验模型开发和诊断过程，它的可视化组件包括以散点图为基础的视觉摘要和揭示特征区分性的可自定义表格视图。

    Aug, 2018

  • 基于判别流形嵌入和对齐的无监督领域自适应

    该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法，通过软标签建立目标域上的概率判别准则，并将其扩展为全局逼近方案，利用流形度量对齐与嵌入空间兼容，同时导出理论误差界限，实现转移性和区分性的一致性，实验结果表明所提出的流形学习框架具有优越性。

    Feb, 2020

  • 通过深度度量学习进行流形匹配，用于生成建模

    本文提出了一种流形匹配方法来生成模型，该方法包括分布生成器和度量生成器，通过学习距离度量来生成符合真实数据流形的样本，并且应用于无监督和有监督学习任务，得到了良好的效果。

    Jun, 2021

  • 判别式流形传播的无监督域适应

    提出了一种基于黎曼流形学习的概率判别标准，用于使用软标签在目标域上实现可转移性和可区分性，该方法可以处理许多不同的领域自适应问题，并通过大量实验展示出优越性。

    Aug, 2020

  • 基于流形嵌入分布对齐的视觉领域自适应

    该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

    Jul, 2018

  • 轨迹感知主流形框架用于数据增强和图像生成

    本研究通过验证在特征空间中使用主要流形分布相对于高斯分布的理论和实际优势，提出了一种新颖的轨迹感知主要流形框架，用于恢复流形骨干并沿特定轨迹生成样本。此外，通过引入一个内在维度正则化项，该框架能够使流形更紧凑，并实现少样本图像生成。实验结果表明，该框架能够提取更紧凑的流形表示，提高分类准确性，并在少样本之间生成平滑的变换。

    Jul, 2023

  • 流形上的投影梯度下降算法

    本文提供了一种可计算、直接且数学严谨的方法，用于近似高维数据的类流形的微分几何，以及从输入空间到这些类流形的非线性投影。该方法应用于神经网络图像分类器的设置中，在流形上生成新颖的数据样本，并实现了流形上的对抗训练的投影梯度下降算法，以解决神经网络对对抗性攻击的敏感性问题。

    Aug, 2023

  • 通过类中心匹配和局部流形自学实现领域自适应

    本文提出了一种新颖的领域自适应方法，通过聚类和伪标签匹配等技术，对减少两个领域之间的分布差异，实现了在无监督和有监督领域自适应方面的显着优势。

    Mar, 2020

  • 蛋白质表示学习的深度流形变换

    我们提出了一种新的深度流形转换方法来进行通用蛋白质表示学习（DMTPRL），通过流形学习策略改进学习嵌入的质量和适应性，利用基于图内节点相似度的新颖流形学习损失训练，DMTPRL 方法在流行数据集上的各种下游任务中表现优于最先进的基线结果，证实了我们学习通用和鲁棒的蛋白质表示的方法。

    Jan, 2024