本文介绍了一种改进锚点算法的方法,通过在可视化的低维空间中寻找精确凸包来提高主题模型的质量和可解释性。
Nov, 2017
本文提出了一种将任何嵌入空间转换成易理解的概念空间的方法,并展示了该方法在语义表示方面的实用价值,如发现潜藏的偏见和比较不同模型间语义的差异。
Aug, 2022
本文提出了一种无监督排序结构化图嵌入的框架,分析了结构化嵌入的特性和被嵌入的预定义节点特征,以达到提高解释性的目的。
Jun, 2023
本文介绍了一种新的对比表示学习目标和训练方案,针对临床时间序列。该方法能将高维的医疗记录数据投影到低维的封闭单位球上,以编码几何先验,从而学习患者的死亡风险和器官功能,该方法可用于在线患者监测,并可提供临床医生的决策支持和改进下游机器学习任务的性能。
Apr, 2022
基于一种概率模型,研究了嵌入学习在离散数据中的可学习性,并提出了一种用于估计的低秩近似消息传递方法,探讨了样本数量、词项频率和嵌入相关性对概率分布的影响。通过对合成数据和真实文本数据的模拟验证了理论研究的可行性。
Dec, 2023
使用种子词义空间和人类评价指导相结合的方法,在预测物体属性和风格属性方面,表现出了明显更好的性能,尤其是在种子词义空间不能很好工作的情况下。
Apr, 2024
本文主要研究利用神经网络将数据流形的几何结构嵌入到潜在表征中,提出了根据潜在表示中样本与预设锚点之间的相对关系来实现所需不变性的方法,并在不同数据集、不同架构、不同任务下进行了验证。
Sep, 2022
基于视觉转换器作为例子,通过分析和系统实验,我们展示了表示空间由大型分段线性子空间和局部正常空间组成,存在着不同输入具有相同表示和在视觉上难以区分的不同表示的输入。这些经验结果进一步通过基础模型的局部方向估计来验证。因此,得到的表示会改变下游模型的结果,并且这样的模型容易过度泛化且具有有限的迁移能力。
Jan, 2024
本研究提出一种基于向量空间嵌入的方法,通过 Wikipedia 学习实体的嵌入并将其限制在某些较低维度子空间中,以解决概念空间表示建模自动化的局限性,实验结果表明这些子空间能够作为近似的概念空间表示,其重要特征可以被建模为方向,而自然属性则往往对应于凸区域。
Feb, 2016
本文提出了一种名为 “Anchor & Transform (ANT)” 的简单而高效的嵌入算法,它能够处理大容量的离散对象嵌入,通过从中学习少量的锚点和稀疏的转换矩阵,将对象嵌入成为锚点的稀疏线性组合。这种算法是可扩展、灵活和端到端训练的。同时,研究人员还将其解释为一种贝叶斯非参数先验,旨在促进稀疏性并利用对象间的自然分组关系,我们在多个基准测试中发现,ANT 特别适用于大词汇量,相较于现有压缩基线提供了更强的性能表现(高达 40 倍压缩的低参数)。
Mar, 2020