- 隐式秩最小化自编码器
本文提出了一种名为隐式秩最小自编码器(IRMAE)的模型,它通过使用额外的线性层在编码器和解码器之间来最小化潜在表示的信息容量,并在多层线性网络中通过梯度下降学习来隐式地最小化代码的协方差矩阵的秩,从而使系统自发地学习具有低有效维度的表示方 - 稳健的次高斯主成分分析与宽度独立的谱范数填充
研究开发了两种基于中心子高斯分布的降噪主成分分析算法,灵活应用于解决具有非代数结构矩的相关问题。同时定量地分析了算法的复杂性和置信度。
- 几何参数化协方差估计
使用测地线进行协方差矩阵建模,通过最小化样本协方差矩阵到测地线的距离解决代表性协方差矩阵的选择问题,并展示了其在有噪声数据下解决方案的精度较高。
- 用于高速流式主成分分析的分布式随机算法
本文探讨了在流式数据下,从独立同分布的数据采样中估算协方差矩阵的主特征向量的问题,并提出和分析了一种分布式变体方案 D-Krasulina,该方案可以在多个处理节点上分布计算负载以跟上高数据流率。通过对该方案的分析表明,在适当的条件下,D- - 深度网络的隐式语义数据增强
该论文提出了一种新颖的隐式语义数据增强(ISDA)方法,通过在线估计每个类别的深度特征协方差矩阵并在特征空间中沿着许多语义方向平移训练样本来有效增强数据集以提高泛化性能,并提出了一个新颖的鲁棒 CE 损失函数,实现了在多个数据集上对 Res - ICCV通过特征值谱研究目标检测器的预训练效果
本文分析了目标检测器中每个特征图的协方差矩阵的特征谱,据此提出了一种基于特征谱自动确定目标检测器通道宽度的方法,并表明我们应该开发更合适的从图像分类到目标检测(或其他任务)的知识转移方法。
- 高维稳健协方差估计的快速算法
本文研究了协方差矩阵的估计问题,当仅有小部分样本被恶意更改时,我们提出了一种运行时间接近计算经验协方差且具有最佳误差保证的算法,该算法适用于高维分布,能处理高斯分布等深度分布结构及矩阵乘法指数中的病态情形。
- 全局二阶池化卷积网络
本文针对在深度卷积网络较早的层次有效引入二阶表示进行非线性建模的问题,提出了一种新的网络模型,并利用全局二阶池化 (GSoP) 对低到高层次进行二阶表示引入,使图像信息得到全面利用,实验结果表明,在 ImageNet-1K 数据集上,该网络 - 低复杂度交叉验证线性收缩协方差矩阵估计
本文研究线性收缩估计器的参数选择,并提出了数据驱动的交叉验证方法,用于自动选择收缩系数,以最小化估计误差的弗罗贝尼乌斯范数。该方法不仅适用于使用样本协方差矩阵和多种典型收缩目标的收缩设计,还可用于使用一般收缩目标,多个目标和 / 或基于最小 - ECCV使用多尺度局部极值描述符和协方差嵌入的高效纹理检索
本文介绍了一种使用多尺度特征提取和基于局部极值关键点嵌入的高效纹理检索方法, 通过手工设计的特征向量构建协方差矩阵,提高了规模空间的表示能力,并在多个纹理数据库上得到高竞争性的检索率。
- 关于鲁棒线性回归的高效算法及下界
研究了高维线性回归在对抗性污染下的稳健模型问题,并针对从高斯分布生成的未被修正的样本的基本情况给出了几乎最紧的上界和计算下界。
- DeepKSPD:基于核矩阵的 SPD 表示学习用于细粒度图像识别
该研究提出了一个深度网络,以端到端的训练过程共同学习局部描述符、基于核矩阵的 SPD 表示和分类器。实验结果表明,深度局部描述符与基于核矩阵的 SPD 表示法的优越性,以及所提出的深度网络在追求更好的 SPD 表征方面的优势。
- 基于参数相关协方差矩阵的大数据压缩
介绍了一种称为 MOPED 的大规模数据压缩算法,它可以通过降低所需仿真数据集的数量,使高斯分布数据估计所需的协方差矩阵变得更具管理性,特别是针对下一代弱引力透镜测量的调查。
- 二阶卷积神经网络
本文提出一种新颖的卷积神经网络(CNN)类,它利用二阶统计量,可以形成协方差描述符单元(CDU),可以替代标准 CNN 的全连接层,并在参数少至 90%的情况下优于一阶 CNN。
- 高斯过程的尴尬并行推断
该研究使用混合专家模型代替传统高斯模型,在降低计算成本的同时,提高了模型的弹性和可伸缩性。
- 流式 k-PCA 的第一个高效收敛:全局无间隙,近乎最优速率
本研究研究了流式主成分分析,并提出了 Oja 算法的全局收敛,同时提供了一个修改后的变体 Oja++,可以比 Oja 更快地运行。
- 超平面截断多元正态分布的快速模拟
提出了一种快速易实现的模拟算法,用于多元正态分布受截断的超平面交集限制,进一步将其推广,以有效地模拟方差(精度)矩阵可分解为正定矩阵减去(加上)低秩对称矩阵的多元正态分布的随机变量。举例说明了所提出的模拟算法的正确性和效率。
- 基于核的协方差方法进行动作识别
本文提出了一种基于核技巧的协方差矩阵增强方法 Kernelized-COV,可用于建模复杂的非线性关系,通过在 3D 动作识别基准数据集上的实验证明了其优越性。
- 带随机设计的 Gram 矩阵和最小二乘回归的 PAC-Bayesian 界
本文探讨了从 n 个独立样本中对随机向量的 Gram 矩阵进行估计的问题,并基于非渐进 PAC-Bayesian 概率界提出了四种类型的结果,包括鲁棒的 Gram 矩阵和协方差矩阵的估计,新的鲁棒最小二乘估计器和最小二乘估计器的精确收敛率。
- AAAI基于 Wishart 机制的差分隐私主成分分析
提出了一种使用 Wishart 分布进行输入扰动以实现 (ε,0)- 差分隐私的新方法,应用于主成分分析,具有更好的效用保证。