- 基于概念的大规模多模态模型可解释性框架
借助大型多模态模型(LMMs),本文提出了一种新颖的解释框架,通过字典学习的方法应用于令牌的表示,准确地解释了多模态概念,并定量和定性地评估了学习到的概念在视觉和文本方面的相关性与质量。
- 通过端到端稀疏字典学习识别功能重要特征
通过端到端稀疏字典学习方法,我们能够训练稀疏自编码器 (SAEs),从而确保学习到的特征对网络功能起到重要作用,实现了更好的网络性能解释、特征数量的减少以及样本中同时活动的特征数量的减少。
- 融合字典学习和支持向量机的无监督异常检测
本研究通过稀疏表示技术改进了一类支持向量机(OC-SVM)用于无监督异常检测,提出了一种将 OC-SVM 和 DL 残差函数融合为单一复合目标的新异常检测模型,并通过 K-SVD 类型的迭代算法进行求解,同时将 DL 模型适应于字典对学习( - 无标记学习的地震走时层析成像
利用深度学习和字典学习相结合的方法,通过对传统层析成像最小二乘法进行增强,提出了一种无需标签的深度神经网络训练方法,用于构建地震走时层析成像的低分辨率速度模型,并通过数值测试证明了该方法的有效性。
- 基于信息追踪的可解释图像分类的可解释查询学习
使用学习的字典和大型语言模型生成的手工制作的字典相比,学习字典显著优于手工制作的字典,通过大型视觉和语言模型的潜在空间,使用可解释的查询解决数据集的问题。
- 可解释轨迹表达式中的字典学习
通过字典学习提出了一种可解释的轨迹表示学习框架,该框架通过提取常用子路径的紧凑字典来重构轨迹,得到了自然稀疏且编码了强烈的空间语义的表示。
- 基于波动信息的复杂介质高分辨率成像的字典学习
我们提出了一种在存在大量和多样性数据集的散射介质中进行成像的方法。这个方法分为两个步骤:第一步使用字典学习算法估计无序感知矩阵中真实的格林函数向量;第二步使用基于列间互相关得到的连接信息的多维尺度缩放法对估计的感知矩阵的列进行排序,从而进行 - 多源域自适应的联邦数据集字典学习
该论文提出了一种应对联邦领域自适应的方法,通过字典学习来处理客户端之间存在的分布转移和部分无标签数据的情况。该方法使用经验分布的字典来训练联邦模型,采用协作通信协议和聚合操作来保护客户端数据的隐私,并通过实验证明其在目标领域上成功生成标记数 - 贝叶斯稀疏性和类稀疏性在字典学习和编码中的应用
字典学习方法在解决复杂的反问题方面不断受到关注。本文提出了一种工作流程来简化字典匹配过程,通过压缩字典和利用贝叶斯框架处理建模误差,以及使用组稀疏编码方法来识别不相关的子字典,然后通过稀疏编码解决匹配问题。证明了字典压缩误差的补偿和使用组稀 - 基于 JL 引理推导的优化投影用于判别式字典学习
通过使用 JLSPCADL 方法,利用 Johnson-Lindenstrauss 引理选择转换空间的维度,并使用 Modified Supervised PC Analysis 与 JL 确定的维度的投影转换矩阵,建立一个具有更好分类性能 - 稀疏恢复方法对图像超分辨率质量的影响研究
通过学习高分辨率和低分辨率图像对的一对耦合字典,字典学习可以用于图像超分辨率,以使表示为相应字典的稀疏向量相同。然后可以使用这些字典基于稀疏恢复从低分辨率输入图像重新构建相应的高分辨率补丁。本研究探讨了所使用的稀疏恢复算法对重建图像质量的影 - 在 Wasserstein 空间中通过数据集字典学习进行多源领域适应
该研究论文提出了一种基于字典学习和最优输运的多源域自适应框架,通过将每个域表示为字典原子的经验分布的 Wasserstein 质心,提出了 DaDiL 算法来学习原子分布和质心坐标矩阵,并在目标领域进行重建和集成方法的实验评估,在三个基准测 - 非相干核字典学习的分类
基于字典学习的新分类方法,包括基于核的不连贯字典学习的改进版本以及表示更新方面的 AK-SVD 算法的改进,测试在多个经典分类问题的数据库上。
- 选择性字典学习的异常检测
本文采用基于字典学习和核字典学习的异常检测方法,通过无监督方法来适应已知的字典学习和核字典学习算法用于异常值检测,在大数据集问题中,提出了一种减小核矩阵的版本,同时通过随机选择信号来改进字典学习和减小核矩阵版本的方法,用于消除训练过程中的异 - 时间序列分类和聚类的广义时间扭曲不变字典学习
本文介绍了一种基于广义时间对齐的词典学习算法,该算法使用连续基函数来提高时间对齐的连续性,并通过优化问题来联合优化时间对齐路径、词典和稀疏系数。该算法在分类和聚类方面表现出优秀的性能,并已在公共数据集上进行了验证。
- 通过群表示学习对称的字典学习
本文从数学表示理论的角度研究了学习具有预先指定的变换不变性的字典的问题,并使用非阿贝尔傅里叶分析提出了算法有效实现了学习。通过将字典学习问题与物理域中的问题以及相关的计算问题联系起来,本文为我们提供了一种处理具有对称性的问题的新视角,使我们 - 交替极小化算法在字典学习中的收敛性
本文研究了字典学习中两种流行的交替最小化算法的收敛性,在给定合适初始化条件的情况下,这两种算法都可以收敛到生成字典,适用于稀疏系数的数据模型,更好地拟合真实数据
- 云 K-SVD 图像去噪
使用 Cloud K-SVD 字典学习算法通过节点网络在 Kubernetes 中训练,可实现多个节点上的互相学习及图像恢复,并去除噪声,无论在任何节点,其共享的字典可以用于恢复特定的图像。
- MMV1 的稀疏几何自编码器模型
该论文提出了一种基于自编码器的结构稀疏方法,可以更好地匹配灵长类数据,使用加权 L1 约束的自编码器目标函数保留了稀疏编码框架的核心思想。
- 预训练语言模型用于蛋白序列表示学习的重编程
本文提出了一种通过 Representation Learning via Dictionary Learning(R2DL)框架,在少于一定训练样本的情况下对蛋白质序列进行嵌入,可以更好地进行蛋白质属性预测,并且可以比基于预先训练和标准监