基于自编码器的通用目标表示学习方法用于客户嵌入
本文提出了一种基于高斯聚类嵌入的自编码器潜空间 (G-CEALS) 算法,该算法独立定义了高斯嵌入和目标聚类分布以适应任何表示学习中的聚类算法。结果显示:该方法的平均排名为 1.4 (0.7),优于其他八种聚类方法。该算法是利用聚类和嵌入一起进行联合学习,以提高多元表格数据在聚类方面的表示。
Jan, 2023
本文提出了一种将客户数据编码为客户与企业关联的通用表示形式的新方法 CASPR,CASPR 应用转换器架构来编码活动序列以提高模型性能并避免应用程序间的特征工程。
Nov, 2022
本文利用 Poincaré 球模型的超几何结构作为潜变量空间,研究了 VAE 在这个空间的运用,该方法在嵌套数据结构下表现出色,并展现了超几何结构对于 VAE 的优越性。
Jan, 2019
我们提出了一个新颖的框架,用于大规模推荐系统中用户的表示,旨在以一种广义的方式有效地表示多样化的用户喜好。我们的方法采用了一种两阶段的方法,结合表示学习和迁移学习。表示学习模型使用自编码器将各种用户特征压缩成表示空间。在第二阶段,特定于任务的下游模型通过迁移学习利用用户表示,而不是单独地整理用户特征。我们进一步改进了这种方法的输入特征,以增加灵活性并实现对用户事件(包括新用户体验)的近实时反应。此外,我们提出了一种新的解决方案,以管理此框架在生产模型中的部署,允许下游模型独立工作。我们通过大规模系统中的严格离线和在线实验验证了我们框架的性能,展示了其在多个评估任务中的显着功效。最后,我们展示了所提出的框架如何显著降低基础设施成本,相比于其他方法。
Mar, 2024
通过构建基于原始特征的非对称自编码器和对比学习,ReConTab 引入了深度自动表示学习框架,显著提高了下游任务的性能,尤其是在表格数据领域,减少了特征工程时间消耗,增强了传统方法的性能。
Oct, 2023
本文使用图表征学习的方法来解决不同测量源所生成的多视图表格数据的无监督建模问题,并提出了一个基于数据驱动的方法,将特征集表示为图节点,通过可学习的边来表示它们之间的关系,并引入了一种新的分层图自编码器 LEGATO,学习一个小的潜在图来动态地汇集多个视图的信息,并采用定位信息来对输入进行建模,因此能更好地提高下游性能。
May, 2023
该论文探讨了点云作为表示几何数据的方法,利用深度自编码器网络来提高 3D 识别及形状编辑的表现,并对不同的生成模型进行了研究,发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。
Jul, 2017
提出了一种自动编码器技术,结合了变分自动编码器与生成式对抗网络,可透过特征表示量测数据空间的相似性,进而以特征误差为基础重新构建数据分布,其具有位移不变性,运用在脸部图像上可提供更优的视觉保真度,并能够学习出抽象且高层次的视觉特征。
Dec, 2015
本文深度阐述了最近在表征学习中以自编码器为核心模型的研究进展,分析了三种主要的机制来实现信息分离和分层组织特征,探讨了表征学习中的隐式和显式监督的重要性,并通过失真率理论分析了自编码器表征学习的优缺点和任务需求的先验知识对表征学习的影响。
Dec, 2018
本文提出了一种基于自动编码器与流形学习结合的数据探索方法,利用几何正则化项鼓励学习得到的潜在表示沿着数据的内在几何结构发展,并与常规方法相比较,证明该方法在保留内在结构、扩展能力和数据重构方面具有优势
Jul, 2020