ANALYTiC：机器学习中决策边界和降维的理解

Dec, 2023

ANALYTiC：机器学习中决策边界和降维的理解

ANALYTiC: Understanding Decision Boundaries and Dimensionality Reduction in Machine Learning

Salman Haidri

TL;DR使用主动学习和降维技术结合决策边界，提取轨迹数据中的模式和聚类特征，以提高轨迹标记的效率和准确性。

Abstract

The advent of compact, handheld devices has given us a pool of tracked movement data that could be used to infer trends and patterns that can be made to use. With this flooding of various trajectory data of animals, humans, vehicles, etc., the idea of ANALYTiC originated, using active learnin

tracked movement data active learning dimensionality reduction decision boundaries trajectory labeling

发现论文，激发创造

DeepView: 使用判别性降维将深度神经网络分类边界可视化为散点图

本文提出利用区分维度约简的二维可视化方法将深度神经网络决策函数的一部分以及数据集的一部分可视化，从而检测模型对数据的不同属性（如异常值、对抗样本或毒瘤数据）的处理方式，该方法与现有文献中的解释方法互补，更有应用前景。

Sep, 2019

使用深度生成模型进行主动决策边界注释

使用生成模型沿着一条 1D 线创建新样本，通过请求决策边界上的标注降低了与标注数据样本的交互量，实验表明该方法可嵌入其他活动学习方案，且决策边界上的标注优于数据样本的标注。

Mar, 2017

MobilityDL：基于轨迹数据的深度学习综述

对轨迹数据的深度学习方法进行了综合概述，并通过对移动性数据的数据中心分析，从 2018 年以来的文献进行了全面的定量回顾，探讨了八个特定的移动性应用案例及其训练数据的使用。

Feb, 2024

基于室内轨迹数据的半监督活动识别方法

研究了使用机器学习对移动对象的活动进行分类的问题，并提出了一种半监督的机器学习方法，该方法通过将轨迹分段并自动标记，最后训练基于卷积神经网络的深度学习分类模型来实现高精度分类，此方法已在一个三轮车装配车间的数据集上进行了评估。

Jan, 2023

DETECT: 基于深度轨迹聚类的行动轨迹分析

本文提出了一种基于无监督神经网络的移动行为聚类方法（DETECT），通过考虑移动行为的地理位置、采用嵌入式特征提取，进而实现在行为潜在空间内的聚类分析，得到了令人满意的实验结果。

Mar, 2020

高维度多媒体数据学习：现状

多媒体数据具有高维复杂性，需要研究新的机器学习算法以便处理。本文综述了三种处理高维数据的方法，即特征转换、特征选择和特征编码，并介绍了一些有效的学习算法的最新进展和未来趋势。

Jul, 2017

机器学习模型分析的改进：可视化分析的视角

本研究论文系统地总结了交互模型分析的三大类任务：理解、诊断和改进，旨在帮助用户高效解决实际的人工智能和数据挖掘问题，同时探讨了相关未来研究机会。

Feb, 2017

轨迹数据管理和挖掘的深度学习：调查与拓展

本文综述了轨迹计算中深度学习的发展和最新进展，研究了深度学习在轨迹管理和挖掘方面的应用，并对目前的挑战和未来发展方向进行了概述。

Mar, 2024

利用高维界面学习控制复杂机器人：初步的见解

本文研究采用运动传感器技术对有限活动能力的人体上半身动作进行捕捉，将其作为输入来控制 7 自由度辅助机器臂。通过对两位参与者的实验数据进行初步分析，观察到利用机器智能可以发现高维机器人控制中一些关键的难点和不一致性，从而促进未来接口学习的发展。

Oct, 2021

通过潜空间中的直接操作进行交互式数据注释的深度生成模型

本文探讨了在机器学习领域，数据注释的重要性以及利用神经网络的潜在空间和图形用户界面的坐标之间的类比来进行数据注释的新方法，并对网络模型进行了调整以获得更紧凑的图形表示和讨论了模型超参数对抽取图形表示的影响。

May, 2023