Aug, 2023

通过凸包的安全聚合，在双曲空间中进行联邦分类

PDF
TL;DR以树型数据和超几何空间为基础，提出了分层学习和分类的新方法，通过使用凸包以及整数数列恢复标签，并使用平衡图分区聚合客户端的数据，以实现在分布式和隐私保护设置下的高准确率分类学习。
tree-like datahyperbolic spacesfederated learningconvex hullsprivacy-preserving learning
发现论文，激发创造
  • 在 Poincare 球中高度可扩展且可证明准确的分类

    该论文提出了一种基于 Poincaré ball 模型的统一框架，用于构建可伸缩、简单的超几何线性分类器，并给出了凸优化的解决方案，该算法在合成数据集和真实数据集上的表现均有很高的准确率。

    Sep, 2021

  • 双曲随机森林

    通过使用水平面将随机森林推广到双曲空间，使用大边际分类器找到候选分割，再结合子类最低共同祖先和类平衡的大边际损失方法，可以解决多类数据和不平衡实验问题，并且在标准和新的基准测试中表现优于传统随机森林算法和最近双曲分类器。

    Aug, 2023

  • 在双曲空间中进行大间隔分类

    介绍了一种称为超伪空间支持向量机（hyperbolic SVM）的分类器，其能够在保持超伪几何的前提下准确地分类超伪空间中的数据，并在真实复杂网络和模拟数据集上展示了超伪 SVM 在多类预测任务上的性能优势。

    Jun, 2018

  • 双加号双加号双曲神经网络 ++

    本文介绍了一种基于 Poincaré ball 模型的新型超似曲空间神经网络，该网络构建了多项式逻辑回归、全连接层、卷积层和注意机制，更高效地捕捉数据的分层结构，并在参数效率、稳定性和表现方面优于现有的超似曲组件及欧几里德同类模型。

    Jun, 2020

  • 在双曲空间中的鲁棒大间隔学习

    本文针对数据具有分层结构的情况，提出了一个算法，通过对抗性示例注入的方式，有效地学习了一个能够在如下情况下使用的大边际超平面：数据具有分层结构，嵌入到双曲空间的性能不劣，且直接在双曲空间中学习分类器时的维度较低。

    Apr, 2020

  • 学习分层嵌入的双曲包含锥

    在机器学习中，通过保留相关网络属性的低维嵌入学习图表示是一类重要的问题。本文提出了一种嵌入有向无环图的新方法，使用证明能够更好地模拟树状结构的双曲空间，并使用一组嵌套的测地凸锥来定义分层关系，并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式，而且它们可以规范地定义嵌入学习过程。实验显示，我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。

    Apr, 2018

  • SphereFed: 超球面联合学习

    使用球面限制措施的超球面联邦学习 (SphereFed) 框架，通过在联邦学习之前将数据点的表示限制到由客户端共享的单位超球面上，解决了非独立分布数据的处理问题，通过构建固定分类器来处理不类别分布的数据在不同客户端间的差异性并在最小化损失函数的过程中进行联邦学习，最终实现进一步的分类器校准。我们的实验证明 SphereFed 方法能够有效提高现有算法的准确性（在具有挑战性的数据集上达到 6% 以上），并增强计算和通信效率。

    Jul, 2022

  • 超伪空间中的点云组合性规范化再思考

    这篇论文提出了一种将点云分类器特征嵌入双曲空间并显式规范化以应对零件 - 整体层次结构的方法，在点云分类中取得了显著的改进。

    Sep, 2022

  • 超半空间中解决大边际分类器的凸松弛

    通过将问题转化为多项式优化，使用半定松弛和稀疏矩和平方松弛方法来近似最优解，在广泛的实验中表现优于投影梯度下降方法。

    May, 2024

  • 一种完全双曲神经模型用于分层多类别分类

    提出了一个全超伽马模型进行多类多标签分类，该模型可以从类别分布中推断出潜在的层次关系，捕获库存中的隐含下义关系，并显示出与最先进的方法相当的细粒度分类性能，具有可观的参数规模缩减。

    Oct, 2020