Mar, 2024

基因编程用于可解释流形学习

PDF
TL;DR使用遗传编程进行可解释流形学习，直接惩罚树结构的复杂性，提高流形质量和可解释性，并允许自定义复杂度度量，标志着实现可解释流形学习的重要进展。
manifold learninggenetic programmingexplainabilitytree complexityinterpretable manifold learning
发现论文，激发创造
  • 遗传程序设计能否实现流形学习？

    本文提出了一种称为 GP-MaL 的演化流形学习方法，它使用可解释的树来将高维数据映射到低维空间，可以有效地降低数据特征维度，且模型具有可解释性，可以用于新数据。

    Feb, 2019

  • 多目标遗传编程用于流形学习：平衡质量与维度

    本研究提出了一种可解释的 Manifold Learning 方法，在不降低数据质量的前提下进行维度降低，具有多目标优化功能和高效简洁的特点，适用于数据分析的应用。

    Jan, 2020

  • 基于生成对抗网络的大规模多目标优化流形插值

    本文提出了一种基于生成对抗网络（GAN）的流形内插框架，以学习流形并在其上生成高质量解。我们将该算法与几种最先进的算法进行了比较，实验结果表明该框架在解决大规模多目标优化问题时取得了显著的改进。

    Jan, 2021

  • Manifold GPLVMs 用于发现神经数据中的非欧几里德潜在结构

    提出了一种新的概率潜变量模型 (mGPLVM) 来同时确定潜变量状态和神经元对其表示的贡献，以研究神经元编码头部方向及其它相关行为表现内部潜变量构建的问题。

    Jun, 2020

  • 基因编程用于可解释强化学习策略

    通过基于遗传编程的模型驱动批量强化学习，我们介绍了 GPRL 方法，可以从现有的默认状态 - 动作轨迹样本中自主学习策略方程，实验数据表明，相较于符号回归方法，GPRL 能够从现有默认轨迹数据中生产高性能，可解释的强化学习策略。

    Dec, 2017

  • 语义丰富的基因组可解释人工智能的本地数据集生成

    利用基因编程生成多样性，在 RNA 剪接领域快速实现多样性，明显优于随机基准，展示了可扩展性并在较大序列上取得了约 30% 的改进。

    Jul, 2024

  • 归纳全局与局部流形逼近与投影

    GLoMAP 及其归纳版本 iGLoMAP 是一种新颖的流形学习方法，用于非线性降维和高维数据可视化，能有效地保留局部和全局的距离估计，并通过优化过程逐步展示从全局到局部形成的进展。iGLoMAP 通过深度神经网络使得在未见过的数据点上能够提供低维嵌入而无需重新训练算法，并适用于小批量学习，以加快梯度计算速度。经过与当前最先进的方法进行竞争性实验，在模拟数据和真实数据环境下成功应用了 GLoMAP 和 iGLoMAP。

    Jun, 2024

  • 通过流形假设的视角解析深度生成模型：一项调查与新连接

    深度生成模型与流形假设之间的相互作用引起了人们的广泛关注。本文通过流形视角对 DGM 进行了首次调查，并对其进行了两个新的贡献：首先，形式上证明了高维似然函数的数值不稳定性是无法避免的；其次，发现基于自编码器的 DGM 可以被解释为近似最小化 Wasserstein 距离，这一结果有助于解释其出色的实证结果。流形视角提供了理解 DGM 的丰富视角，我们希望能够使之更加易于理解和推广。

    Apr, 2024

  • 基于均匀地标采样和约束局部线性嵌入的可伸缩流形学习

    基于机器学习和数据科学的关键方法之一，流形学习旨在揭示高维空间中复杂非线性流形内部的内在低维结构。我们提出了一种可扩展的流形学习方法，可以高效地处理大规模和高维数据，从而应用于可视化、分类等领域。

    Jan, 2024

  • 神经隐式流形学习在拓扑感知生成建模中的应用

    本论文提出一种通过神经隐式流来表示数据流形分布的方法，称为神经隐式流分布。为了解决基于前向模型的限制，引入了约束能量模型，该方法使用约束的 Langevin 动力学来训练和采样，能比前向模型更精确地学习复杂拓扑结构的流形支持分布，并允许将模型流形的并集和交集进行运算。

    Jun, 2022