Nov, 2023

机器学习中数据的层次表示

PDF
TL;DR当多个数据点有明确的判断结果的模型存在时，大多数模型可能表现出一种关系，即如果它们正确判断了一个目标，它们也会正确判断另一个目标。相反，如果大多数模型错误地判断了一个目标，它们也可能错误地判断另一个目标。我们提出了一种可视化目标之间层级关系的方法，这一信息有望对模型改进有益。
发现论文，激发创造
  • 使用二元数值的层次分类

    本文通过在二元数据上进行简单分类，以有效分类分层数据。在某些场景下，尤其是一些类别比其他类别容易辨别时，具有计算和准确性优势。

    Jul, 2018

  • 通过分层模块化表示解释分层神经网络

    提出了一种获得分层神经网络的分层模块化表示的方法，该方法使用层次聚类方法将训练网络应用于 Feature Vectors，以便根据它们与输入和输出维度值的相关性定义隐藏层单元之间的树状关系。

    Oct, 2018

  • 联合层次结构学习和大规模图像分类

    本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。

    Sep, 2017

  • 层级洞察：利用结构相似性进行可靠的 3D 语义分割

    通过抽象的学习规则，我们提出了一种训练策略，使得三维光达语义分割模型能够学习不同类别之间的结构关系，从而提高模型的置信度校准，并为融合、预测和规划等下游任务保留附加信息。

    Apr, 2024

  • 层次化” 视觉表征是否层次化？

    通过在 HierNet 数据集上进行广泛评估，我们得出结论，分层可视化表示并不比标准表示更好地捕捉层次关系，但在搜索效率和可解释性等方面有所帮助。

    Nov, 2023

  • 将专家判断融入机器学习模型

    本文提出了一个新的框架，通过对无标签数据点的代表性进行评估，利用专家的判断来改进机器学习模型的预测，并在多项实验和评估中获得了成功的结果和评价指标。

    Apr, 2023

  • 使用标签关系学习结构化推断神经网络

    本文提出一种基于标签图和深度学习的结构化模型，采用新型的堆叠式标签预测神经网络，并利用不同概念层次的标签关系来提高图像分类性能，在基准图像数据集上验证了该方法的有效性。

    Nov, 2015

  • 预测常识本体的改进表示学习

    本文研究了利用学习表示的空间的内在几何结构来实现自动遵守复杂结构约束的本体 (分层和部分有序结构) 学习的最新工作，并探讨了对一种此类模型的两种扩展，旨在提高通识知识表示文本数据的性能。通过混合学习排序关系和非分层知识，以及利用训练数据的部分有序结构找到在配对训练过程中不好执行的嵌入之间的长距离 triplet 约束，我们发现这两种扩展都优于原始的 order-embedding 模型和其他强基线模型。

    Aug, 2017

  • 通过学习分层目标理解深度网络中的隐藏层信息

    本文中介绍了一种基于深度神经网络、有隐藏层分支的架构，可以学习低于最终层目标的目标。这个模型提供了一个灵活的推理系统，其目标有多个等级。本文将该模型应用于文本分类任务，并与不使用隐藏层分支进行了比较。

    May, 2015

  • 为基于实例的决策支持学习与人类兼容的表征

    本文结合度量学习和监督学习的思想，使用人类提供的三元组判断来学习人类兼容的决策重心表示，该表示与人类知觉更好地匹配，使人类能够更准确地进行预测，并在多个分类任务中通过合成数据和人类实验表明其有效性，从而获得显著提高的人类决策准确度（对蝴蝶与飞蛾分类增加了 17.8％，对肺炎分类增加了 13.2％）。

    Mar, 2023