MC-GTA: 使用自相关的拟合程度检验进行约束度量的基于模型的聚类
本文提出了一种针对全球数据的时空建模扩展方法,将多分辨率逼近(MRA)方法与分区及复杂协方差模型拟合相结合,实现了可扩展的计算性能和灵活的协方差模型,为分析全球性数据提供了实用的策略。
Jun, 2020
引入广义协方差约束来编码数据融合和迁移学习应用中的额外统计信息,截至目前的最佳技术 CGMCA 可以比 MCA 更有意义地编码地图,并提供了计算算法。
Oct, 2021
提出了一种新颖的随机成对约束方法,用于多个关键聚类目标函数,可用于建模应用程序的收缩和分析,如聚类中的公平性和半监督学习中的 Must-link 约束,并提供了近似算法的具有可证明保证的通用框架。
Mar, 2021
本研究提出了一种基于 Toeplitz Inverse Covariance 的模型聚类方法,称为 TICC,通过马尔科夫随机场描述聚类中子序列中不同观测之间的相互依赖性,从而在同时分割和聚类时间序列数据的过程中实现了可扩展性且解释性更强的结果。
Jun, 2017
本文提出了基于张量分解以及潜在特征的广义自回归(GAR)方法,在多保真融合问题中能够处理任意维度的输出和任意保真数据结构,并且具有良好的可扩展性和精度,同时提出了简化版的算法 CIGAR 以降低计算复杂度,经过实验验证,该方法明显优于现有的同类方法。
Jan, 2023
我们研究了无监督异方差协方差估计的问题,其中的目标是学习给定观察值 x 的多元目标分布 N (y, Σy|x)。我们通过推导 TIC:Taylor Induced Covariance 来解决预测协方差是否能真正捕捉到预测均值的随机性的问题,并通过引入 TAC:Task Agnostic Correlations 度量来解决在没有基准注释的情况下如何评估协方差估计性能的问题。我们的实验证明 TIC 在准确学习协方差方面优于现有技术,并通过 TAC 进行了量化。
Oct, 2023
通过构建一个新的损失函数和网络,本研究提出了一个 GMC-IQA 框架,综合了全局相关性和均值一致性,通过定义基于偏好的排序估计来解决非可微问题,并引入了队列机制来近似整个数据集的全局结果。实验证明,我们的方法在多个真实数据集上的准确性和泛化能力上优于其他方法,并且适应了多种网络,取得了更好的性能和更稳定的训练。
Jan, 2024
该论文提出了一种称为强健时间序列簇核的方法,使用了高斯混合模型和信息先验分布来处理缺失数据,并采用集成学习方法来确保对参数的鲁棒性。实验结果表明,该方法对于参数的选择鲁棒,在处理缺失数据的情况下表现出色。
Apr, 2017
我们提出了一种新颖的生成校准聚类(GCC)方法,将特征学习和扩充巧妙地融入聚类过程中,通过发现真实样本和生成样本之间的内在关系和生成可靠聚类分配来改善聚类性能。
Apr, 2024