本文通过研究在非欧几里得空间中学习用户和项目表示的概念,探讨了超宇称空间中度量学习和协同过滤之间的联系,旨在通过度量学习方法填补欧几里得和双曲几何之间的差距。作者提出了概念简单但高效的 HyperML(超宇称度量学习)模型,通过一系列广泛的实验,证明了该模型不仅优于欧几里得模型,还实现了多个基准数据集的最佳表现,展示了双曲几何中个性化推荐的有效性。
Sep, 2018
本研究提出一种内省型深度度量学习(IDML)框架,用于对图像进行不确定性感知的比较。通过不仅使用语义嵌入还使用伴随的不确定性嵌入来表示图像,该框架改进了深度度量学习的性能,并在图像检索和聚类等任务上取得了最先进的结果。
Sep, 2023
该论文提出了一种基于内省的深层度量学习框架,用于对图像进行不确定性感知的比较,该框架使用语义嵌入和不确定性嵌入来表示图像的特征以及模糊程度,并使用内省相似性度量来进行图像的相似度比较,取得了在图像检索和分类任务中的最先进性能。
May, 2022
本文提出了一种名为 “超宾说外显”(HIE)的方法,通过使用节点到原点的超宾距离(即超宾范数)推导出的无成本分层信息来改进现有的超宾表示方法,并在各种模型和不同任务上的广泛实验中展示了该方法的多功能性和适应性。
Jun, 2023
基于超几何空间的视觉 Transformer 模型,使用改进版的成对交叉熵损失函数直接优化嵌入向量,经过六种不同的数据集表明得到了全新的最先进性能。
Mar, 2022
使用双曲几何的度量框架提高超出分布检测的性能,并探索其与嵌入维度的关系,改善在资源受限环境中的实际应用。
Mar, 2024
本文提出了一种保持边界的度量学习框架,同时学习距离度量和潜在样本。该方法在处理大规模数据集时具有高效性,并且可以使学习的度量对数据不确定性具有鲁棒性,并且通过实验证明了该方法的有效性和高效性。
May, 2018
提出了一种使用随机变量作为嵌入空间的表示方式,通过降低不确定性 (Ambiguity) 提高了图像匹配和分类任务的性能,学到了更有结构的嵌入空间并能计算与下游性能相关的每个示例的不确定性测量。
我们引入了一种名为通用度量学习(UML)的新型度量学习范式,它能够学习到能够捕捉多个数据分布关系的统一距离度量。通过使用预训练模型和两个额外的模块,即随机适配器和提示池,我们提出了一种名为参数高效通用度量学习(PUMA)的方法来解决不平衡数据分布和对主导分布的偏见等新挑战。此外,我们还编译了一个包含 8 个不同数据集的新通用度量学习基准。相较于特定数据集模型,PUMA 在使用大约 69 倍较少的可训练参数的情况下表现更好。
最近几年,将双曲几何方法融入计算机视觉领域的趋势日益增长。本研究调查了将双曲空间整合到度量学习中的效果,特别是在使用对比损失进行训练时。我们通过深入研究评估了使用混合目标函数的视觉变换器 (ViTs) 结果来解决现有文献中关于对比损失温度影响的问题,并提供了观察到的性能改进的理论分析。我们还揭示了双曲度量学习与困难负样本抽样的密切关系,为未来的工作提供了思路。我们的代码可在线获取。
Apr, 2024