- 形成受控的维度缩减
通过提出非线性动力系统对移动 Agent 的形成控制来进行低维度表示,该系统由两部分组成:控制邻近点以解决局部结构问题和控制远程点以解决全局结构问题。数值实验在合成和真实数据集上进行,与现有模型进行比较表明所提出模型的稳固性和有效性。
- 用快速傅立叶变换进行句子 Transformer 向量数据库的降维
该论文研究了将快速傅里叶变换(FFT)应用于降维方法在向量数据库管理中的潜力。通过在不同领域中展示其实用性,包括检索增强生成(RAG)模型和图像处理,该基于 FFT 的方法承诺提高数据检索过程的效率并增强人工智能解决方案的可伸缩性和效率。与 - 高效学习的纠缠 - 解纠循环
利用维度的广度来解开低维流形的新方法为非线性降维提供了挑战,通过在升高的高维空间中引入类标签作为上下文变量,可以使监督学习变为无监督学习,并且通过藤结 - 解结循环运算符可以提高线性可分的分类器。
- CAVIAR: 精确和稳健推理的分类变量嵌入
通过嵌入方法 CAVIAR,将高维分类变量嵌入到较低维度的全局坐标系中,从而稳定可靠地估计减少维度后的数据,促进推断和分析。
- 基于堆叠自编码器和聚类的遥感地质绘图框架
此研究提出了一种利用堆叠自动编码器进行降维和 K 均值聚类来处理遥感数据的无监督机器学习框架,通过使用 Mutawintji 地区的 Landsat-8、ASTER 和 Sentinel-2 数据集进行地质制图的评估,结果显示该框架能够产生 - 高斯过程潜变量模型中的模型崩溃预防
本文通过理论分析证明了投影方差对模型崩溃的影响,并通过集成频谱混合核和可微分的随机傅里叶特征核逼近解决了内核灵活性不足导致的模型崩溃问题。提出的 GPLVM 模型在各种数据集上都取得了优异的表现,在信息丰富的潜在表示和缺失数据插补方面超越了 - 利用方向感知的 t-SNE 可视化高维时序数据
我们提出了两个互补的、方向感知的损失项,用于优化 t-SNE 的目标函数,强调数据的时间属性,指导优化和生成的嵌入结果,以显示出可能被忽略的时间模式。通过促进定向边的局部方向性,我们的方法产生了更具有时间意义且不那么混乱的可视化结果。
- 高性能计算设施上对高光谱数据进行主成分分析的实现:结果与比较
应用 PCA 算法在高性能设备上实现降维以增加高光谱成像算法的效率和性能,并与 FPGA 实现进行比较以揭示各自的优缺点。
- 使用 LLM 嵌入进行文本聚类
通过使用大型语言模型(LLMs)的文本嵌入和聚类算法,该研究调查了文本聚类方法对数据集的影响,评估了嵌入对聚类结果的影响、通过摘要进行的维度降低的作用以及嵌入维度和摘要技术的调整。结果显示,LLMs 嵌入在捕捉结构化语言的细微差别方面表现出 - 评估预训练句子嵌入的无监督降维方法
使用预训练语言模型(PLMs)生成的句子嵌入引起了自然语言处理界的广泛关注,因为它们在多种下游应用中以优越的性能表示文本。然而,当在内存或计算受限设备中表示大量句子时,由 PLMs 生成的句子嵌入的高维度会带来问题。作为解决方案,我们评估了 - 基于随机主成分分析的高光谱图像分类
本文研究了利用主成分分析(PCA)和随机主成分分析(R-PCA)结合支持向量机(SVM)和轻量级梯度提升机(LightGBM)对高光谱图像进行分类的方法,实验结果表明,对于 Indian Pines 和 Pavia University 两 - 一种具有多模态中间融合网络和流形学习的应对压力检测方法
通过多模态深度学习方法和流形学习的降维技术,本文提出了一种中间多模态融合网络,成功地在处理和分析数据时降低了计算复杂度,并在准确性方面优于其他网络。
- DiffRed:稳定秩引导的降维
通过使用 DiffRed 技术,我们可以将多维数据集映射到低维空间,并获得比常用降维技术更低的扭曲度和应力值。
- 多变量时间序列中降维对异常检测性能的影响探索
本文通过对 MUTANT 和 Anomaly-Transformer 模型进行维度降低技术与高级无监督时序异常检测模型的全面实证研究,以 MSL、SMAP 和 SWaT 三个不同数据集为例,发现维度降低不仅可以减少计算复杂度,而且在某些情况 - 带初始热启动的偏微分方程控制的政策优化
通过增加策略优化步骤,将模型控制器与降维模型相结合,实现对混沌行为的偏差建模误差补偿,提高模型控制器性能。
- 在潜空间中使用轨迹聚类发现深度强化学习策略中的行为模式
利用维度降低和轨迹聚类在神经网络的潜在空间中,研究深度强化学习代理的行为模式和改进方法。
- 基于层次贝叶斯的个性化联邦无监督学习
我们开启了对个性化无监督学习的系统研究,通过基于层次贝叶斯统计框架的优化准则,开发了一种自适应算法,在使用有限的本地数据和协作信息之间寻找平衡。我们在个性化降维和个性化扩散模型的背景下开发了我们的自适应算法,并对其进行了收敛性分析,揭示了问 - 应用无监督学习技术对抗金融犯罪:聚类和降维在反洗钱中的应用
探索在反洗钱数据中降低维度并提升聚类结果准确性的最有效方法,结果显示 Kernel Principal Component Analysis (KPCA) 在大多数情况下结合聚类方法表现优于其他降维技术。
- ACL利用对比学习提高基于令牌的上下文表示的效果:注入维基词典
我们调查了如何通过英语 Wiktionary 作为替代监督源来注入词汇,并测试了降维对生成的上下文词嵌入的影响。通过在无监督设置下(不使用训练集),我们在 Word-In-Context(WiC)任务中取得了新的 SoTA 结果,并提出了两 - DimVis:可解释的增强机构在降维中解释视觉聚类
DimVis 是一个利用监督可解释的增强机器模型的可视化工具,通过交互式探索 UMAP 投影来提供高维数据分析的特征相关性解释,在转化复杂数据集为简单视觉表示时,增加了解释性,并解决了引入人为失真和解释性问题的困扰。