Jan, 2024

多视图集成学习中的语义保持特征分区

PDF
TL;DR机器学习中，数据的指数增长和相关的 “维度之诅咒” 带来了重大挑战，特别是在扩大但稀疏的数据集中。多视图集成学习 (MEL) 是一种变革性方法，其中特征分区 (FP) 在构建 MEL 的人工视图中起到关键作用。本研究引入了语义保持特征分区 (SPFP) 算法，这是一种基于信息理论的新方法。SPFP 算法有效地将数据集分为多个语义一致的视图，增强了 MEL 过程。通过对八个真实数据集的广泛实验，从高维度有限实例到低维度高实例，我们的方法展示了显著的效果。在可获得高泛化性能的场景中，它保持模型准确性同时显著改善不确定性度量。相反，在高泛化准确性较难实现时，它保持不确定度度量同时提高准确性。效果大小分析进一步表明，SPFP 算法通过有效的维度减少超过基准模型，降低了计算需求。大多数实验中观察到的显著效果大小强调了该算法在模型性能上的显著改进。
machine learningmulti-view ensemble learningfeature partitioningsemantic-preserving feature partitioninginformation theory
发现论文，激发创造
  • 金融异常检测的垂直和水平分割数据上的隐私保护联合学习

    我们提出了一种新颖的解决方案 PV4FAD，它结合了全同态加密 (HE)、安全多方计算 (SMPC)、差分隐私 (DP) 和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。

    Oct, 2023

  • MRFP：利用多分辨率特征扰动从 Sim-2-Real 学习可泛化语义分割

    本研究提出了一种新颖的多分辨率特征扰动（MRFP）技术，通过对领域特定的细粒度特征进行随机扰动和对粗特征的风格进行扰动，以提升神经网络在语义分割中的鲁棒性和域不变性。实验结果表明，除了风格信息的扰动外，对细粒度特征的扰动对于学习域不变鲁棒特征映射至关重要。MRFP 是一个简单且计算效率高的可传递模块，不需要额外的可学习参数或目标函数，有助于现有深度神经网络在模拟到真实场景的语义分割中学习到鲁棒的域不变特征。

    Nov, 2023

  • 基于多平面特征表示的高效视角合成和基于 3D 的多帧降噪

    本文介绍了第一种基于三维场景表示的多帧去噪方法，扩展了多平面图像 (MPI) 框架用于新视角合成，最终实现了视角合成、多帧去噪和在嘈杂条件下的视角合成。

    Mar, 2023

  • SDPL: 无人机视角地理定位的移动稠密划分学习

    跨视角地理定位，通过引入名为 Shifting-Dense Partition Learning（SDPL）的简单而有效的基于部分的表示学习方法，采用密集分区策略（DPS）和位移融合策略来解决外观和环境差异所带来的挑战，具有对位置位移和尺度变化鲁棒性，并在两个常用基准测试上取得竞争性性能，即 University-1652 和 SUES-200。

    Mar, 2024

  • 多分区对齐聚类

    本文提出了一种基于多视角信息融合分区的一致聚类方法，并通过几个真实数据集证明了其在多视角聚类方面的有效性。

    Sep, 2019

  • 基于深度矩阵因式分解和分区对齐的多视角聚类

    提出了一种基于深度矩阵分解与分割对齐的新型多视角聚类算法，全面利用各视角的分区表示并融合多视角信息，通过交替优化算法解决优化问题，实验结果表明该算法在六个多视角数据集中优于目前的方法。

    May, 2021

  • 学习空间数据分区

    本文研究了分布式空间数据分析的机器学习方法，并提出了一种新的深度强化学习算法来有效地分配大量的空间数据给计算机，通过实验证明，此方法可加速距离连接查询，减少任务运行时间长达 59.4%。

    Jun, 2023

  • MFPNet: 轻量级语义分割的多尺度特征传播网络

    我们提出了一种新颖的轻量级分割架构，名为多尺度特征传播网络 (MFPNet)，通过设计具有柔性瓶颈残差模块的鲁棒的编码器 - 解码器结构，探索深入且丰富的多尺度语义上下文，同时利用图卷积网络 (GCNs)，在瓶颈残差模块之间进行多尺度特征传播，最终在基准数据集上表现出优异的分割结果。

    Sep, 2023

  • 多视角稀疏拉普拉斯特征图在非线性光谱特征选择中的应用

    多视图稀疏拉普拉斯特征映射是一个基于图的方法，通过多次观察数据以构建更强健和信息丰富的高维数据表示，通过稀疏特征分解和优化算法来降低数据维度并获得一个特征集。作者在 UCI-HAR 数据集上进行实验证明即使将特征空间减少 90%，支持向量机（SVM）的错误率仅为 2.72%，且在整体特征空间减少 80% 的情况下 SVM 精度为 96.69%。

    Jul, 2023

  • JPPF: 多任务融合一致的全景部分分割

    我们提出了一种联合全景部分融合（JPPF）方法，它通过有效地结合三种单独的分割方法来获得全景 - 部分分割，该方法具有统一的模型，平衡的组合，可以在多个数据集上进行通用化评估。

    Nov, 2023