基于分布的低秩嵌入
论文提出了一种基于 rank minimization 算法的在线优化方法,通过追踪低维度子空间、揭示潜在结构以及使用核范数正则化来实现低维矩阵数据和低秩张量数据的缺失值插补,模拟测试显示该方法在数据明显含噪、不完整的情况下表现突出。
Apr, 2014
本文使用基于结构化随机矩阵和正交行的嵌入,分析了其在机器学习中的应用,包括降维和核逼近,同时通过实证结果证明了该方法在各种机器学习应用中具有明显提高精度和 / 或速度的效果。
Mar, 2017
该论文介绍了一种新颖的快速机器学习方法,利用了两种技术:正交基向量嵌入(VEOB)和谱变换(ST)。该方法通过将原始数据编码转换为在正交基向量上投影的向量嵌入,采用奇异值分解(SVD)技术计算向量基和投影坐标,从而在嵌入空间中实现了增强的距离测量,并通过保留与最大奇异值相关的投影向量来实现数据压缩。同时,它还利用离散余弦变换(DCT)将向量数据序列转换到谱空间,并选择最重要的分量,以简化对于长向量序列的处理。该论文提供了使用这种方法在 Julia 语言中实现的词嵌入、文本块嵌入和图像嵌入的示例,并探讨了使用该方法进行无监督学习和监督学习的策略,以及如何处理大数据量。
Oct, 2023
本文提出了两种采用混合维度嵌入的矩阵分解模型,可以采用交替最小二乘法以大规模并行的方式进行优化,并针对用户和项目的流行度偏斜实现了是用稀疏,混合维度或共享嵌入降低参数数量和过度拟合的研究。
May, 2022
本研究提出了一个深度学习算法,通过结构感知谱嵌入和结构保持,编码输入数据的子空间结构和形状信息,并基于自表达学习和注意力机制,能够更好地处理非线性数据集的聚类问题,并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。
May, 2023
本文提出使用语义嵌入方法,将原始、杂乱的临床数据直接与下游学习架构耦合,以实现最小化预处理。我们从捕捉和编码数据表示中的复杂数据依赖性的角度考虑这一步骤,而不是在模型中实现,该方法允许使用快速,轻量级和简单的模型进行下游处理,对于没有机器学习专业知识的研究人员非常有用。我们通过三个典型的临床预测任务证明了高度压缩的嵌入数据表示捕获了大量有用的复杂性,尽管在某些情况下,压缩并非完全无损。
Feb, 2018
此论文研究了利用哈希机制来构建二进制嵌入的方法,该方法包括伪随机投影和非线性映射,使用结构化矩阵可以有效地压缩信息并降低随机性使用,实验证明了其对神经网络学习性能和最近邻分类器性能的依赖关系。
Nov, 2015
本文研究数据分析中的低维数据表示问题,提出了一种名为扩散映射的算法,能够将复杂高维数据嵌入低维欧几里得空间,从而实现长时间演化系统的高效识别与聚类分析。
Mar, 2005
本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法,通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况,成功地提取到了稀疏条件下的脑电信号的决定性特征。
Jun, 2022
通过多种分析方法并提出针对不同 EEG 信息的处理方式以及可解释性工作,本研究发现个体情感特征分布差异是情感识别稳定性的主要因素。因此,针对传统建模方法中的个体情感特征分布差异问题,提出了一种基于加权通道 - 模型矩阵框架 (WCMF) 的方法,其中采用校正 T 检验 (CT) 加权提取方法来合理地表征情感特征分布模式。通过对两种情景的跨数据集任务性能验证,结果表明 WCMF 具有更稳定、更好的情感识别能力。
Sep, 2022