Jan, 2024

非邻居也在克里金中起作用：一种新的对比原型学习

PDF
TL;DR通过邻域对比学习和原型学习优化 Kriging 方法，从邻居中提取有价值的信息并从非邻居中重新利用有用信息，以实现准确估计未采样地理位置的属性。
krigingcontrastive-prototypical self-supervised learningrepresentation learningadaptive augmentationspatiotemporal kriging graph data
发现论文，激发创造
  • 克里金卷积网络

    介绍了一种结合了图卷积网络和 Kriging 方法的 “Kriging 卷积网络”（KCN）以及其在几个应用中的表现，通过直接利用邻近的观测值，以及包含个别的 Kriging 方法来生成预测。

    Jun, 2023

  • 从朋友那儿获取帮助：最近邻对比学习视觉表示

    NNCLR 是一种基于最近邻对比学习的自监督学习算法，将数据集中最近邻作为正样本而不是图像的不同视角，能够提供比预定义的变换更多的语义变化，达到了在 ImageNet 分类和迁移学习基准测试中超越现有先进方法的效果。此外，该方法的鲁棒性能更好，对于数据变换的依赖性更小。

    Apr, 2021

  • 地理感知的自监督学习

    本研究旨在将对比学习方法应用于地理定位的数据集上，通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距，并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性，同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。

    Nov, 2020

  • CSP：自监督对比空间预训练用于地理空间视觉表示

    本研究提出了一种基于自监督学习的框架 Contrastive Spatial Pre-Training（CSP），用于处理大量具有地理标记信息的图像，通过对地理信息进行编码和对比学习，可以提高模型在图像分类任务中的性能。

    May, 2023

  • 多层交互对比学习在知识感知推荐中的应用

    本文提出了一种基于对比学习的知识感知推荐模型，结合了本地和非本地的知识图谱，并采用层级交互对比学习来提高推荐性能。

    Aug, 2022

  • 神经最近邻网络

    研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。

    Oct, 2018

  • 软化邻域：一种正对比视觉表示学习中的支持者

    本文重新思考了对比学习方法中二元实例判别的不足之处，提出了基于相关实例（即软近邻）的对比学习方法（SNCLR），该方法有效地提高了 VIT 和 CNN 编码器中的特征表示，从图像分类、目标检测和实例分割三个标准视觉识别基准方面得到了验证。

    Mar, 2023

  • 无监督表示的原型对比学习

    该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，PCL 不仅学习用于实例区分的低级特征，更重要的是它隐含地将数据的语义结构编码到了学习的嵌入空间中，该方法通过增加原型作为潜在变量来寻找最大似然估计，提出了一种基于对比学习的通用损失函数 ProtoNCE loss，此方法在多个基准测试中的表现均优于当前最先进的基于实例对比学习方法，在低资源转移学习方面有了显著的改进。

    May, 2020

  • 何时可以使用神经切线核和主成分分析近似广义对比模型？

    对比学习是一种从无标签数据中学习表示的范式，在图像和文本数据方面取得了巨大成功。本文分析了双层对比模型的训练动态，并回答了这些模型何时接近于核方法或主成分分析。我们的理论结果可能适用于多层网络。

    Mar, 2024

  • 基于知识注入的对比学习用于城市图像的社会经济预测

    提出一种基于知识图谱 (KG) 以及知识注入对比学习 (KnowCL) 模型，能够有效地促进城市图像的表征学习和预测，并结合卫星和街景影像进行可持续发展目标的预测，相较基线模型预测精度有超过 30％的提高。

    Feb, 2023