该论文介绍了一个通用的多元组查询方法,称为 InfoTuple,通过相互信息最大化采用一种新颖的方法,以实现多元组查询的自适应选择。在合成测试和新的人类响应数据集上,该方法在各种元组大小的性能均优于最先进的自适应三元组选择方法,并在经验上证明了通过查询更大的元组而不是三元组实现的查询效率和一致性的重大收益。
Oct, 2019
本文考虑利用 Wang 等人(2013)的算法对图进行主动搜索,通过在数据上的相似函数来最小化图上的能量函数以选择点,并且提出了一些关键修改,使其能够跨大规模数据集进行扩展,并实现了与现有半监督方法相竞争的实验结果。
Apr, 2017
研究交互聚类的查询复杂度和相似度矩阵的信息理论下界及上界,证明相似度矩阵可以显著降低查询复杂度,在不知道 $k,f_+ 和 f_-$ 的前提下,算法高效且参数免费,并揭示其与常见社区检测模型的关联。
Jun, 2017
研究一种扩展主动学习的方法,其中学习算法可以要求注释者比较两个示例与其标签类边界的距离,并使用半空间的框架展示这种方法的优越性。
本文介绍了一种新的算法鲁棒性框架,在此基础上为相似函数的分类器提供了新的泛化界。
Dec, 2014
我们研究了一个通用的聚类环境,其中我们有 $n$ 个要聚类的元素,并且我们的目标是尽量少地通过一个返回两个元素之间相似度的有噪声样本的预言进行查询。我们提出了在组合多臂赌博机的纯探索范式中根源于在线学习问题的两种新颖公式:固定置信度和固定预算设置。对于这两种设置,我们设计了将采样策略与经典的相关聚类近似算法相结合的算法,并研究了它们的理论保证。我们的结果是第一个针对 NP 困难的离线优化问题情况下 PE-CMAB 的多项式时间算法的示例。
Feb, 2024
本研究提出了一种高效的在线学习框架 Efficient online Relative comparison Kernel Learning (ERKLE),通过利用梯度的稀疏性和低秩性将核函数限制在半正定矩阵空间内,以随机梯度下降的方式从相对比较中学习核函数。我们通过实验证明,在线学习的环境下,我们的方法在提高速度的同时,获得了更好或可比较的准确性。
Jan, 2015
提出一种基于局部敏感过滤的相似性搜索框架,扩展了 Indyk-Motwani (STOC 1998) 的局部敏感哈希 (LSH) 框架以支持时空权衡。
May, 2016
通过分析 Centered Kernel Alignment 算法对于在机器学习中出现的简单变化的敏感度,我们研究了该算法的若干弱点,并探索了在保持功能行为的前提下改变 CKA 值的方法,结果表明 CKA 值可以容易地被操纵而不需对模型做实质性的改变,因此在利用活动对齐度量时需谨慎。
Oct, 2022
本文提出了一种基于超几何知识增强图卷积网络的知识感知推荐方法,用于解决传统推荐系统中数据稀疏和冷启动问题,通过将知识图谱与用户 - 项目交互进行统一构建三元图来建模,采用不同的信息传播策略在超 bolic 空间中显式地编码异质信息,实现信息的协同聚合,并在三个真实数据集上进行了广泛实验证明,提出的方法优于现有最新方法,可以在 Top-K 推荐中提高 3.6-15.3%的召回率。
Aug, 2021