- 使用定向距离场测量三维几何模型间的差异
本文提出了一种基于方向距离场的 3D 几何数据的高效、有效、鲁棒和可微的距离度量方法 DirDist,通过在同一域上定义其方向距离场的两个 3D 几何模型的差异来建立模型对应关系,并在多个几何建模任务上展示了 DirDist 的优势,包括模 - 软匹配距离:一种捕捉单神经元调谐的神经表示度量
提出了一种基于 “软” 置换的度量方式,用于衡量具有不同大小的神经网络之间的距离,并避免了其他方式所遭受的违反直觉的结果,从而提供了对神经表示的补充几何洞见。
- 揭示潜在模式:研究数据集相似性、性能和泛化
通过添加一小部分未见图片到训练集中,我们的方法可以降低训练与注释成本,提高监督式深度学习模型的泛化性能,并在动态环境中对未见数据的模型性能提供估计。
- 一种新的概率距离度量及在高斯混合模型降维中的应用
本文提出了一个新的距离度量方法,可以比较两个连续概率密度函数。主要优点是能够为高阶高斯混合模型提供解析闭合形式表达式,从而满足所有度量特性,这种特性在现实信号处理应用中非常有用。为解决 Gaussian 混合模型压缩问题,本文提出了一种基于 - K-Tensors:正半定矩阵聚类
本文提出了一种自洽聚类算法(K-Tensors),它是针对正半定矩阵的特殊结构所设计的算法,包括了一个专为正半定矩阵的结构信息而设计的距离度量,可在金融和生物医学研究等领域中具有广泛的应用。
- OTW: 时间序列的最优传输对齐
本文介绍了一种基于 Optimal Transport 的新的时间序列距离度量方法 ——Optimal Transport Warping(OTW),相对于传统的 Dynamic Time Warping 具有线性的时间 / 空间复杂度和可 - 使用校准的局部几何驱动距离度量,释放 3D 点云建模的潜力
提出了一种称为 CLGD 的新型距离度量,它通过计算一组参考点诱导的基础 3D 表面之间的差异来量化两个非结构化 3D 点云之间的不相似度,并证明其在各种优化和无监督学习任务,包括形状重建、刚体配准、场景流估计和特征表示方面的高准确性。
- CostNet: 目标导向强化学习的端到端框架
本文引入一种新的强化学习算法,通过学习马尔可夫决策过程中两个状态之间的距离来预测,距离度量作为内在奖励被用于推动智能体的学习。实验结果表明,相比于模型无关的强化学习,该算法在多个测试环境中具有更好的样本效率。
- 置换问题的适应度景观分析:从距离度量到变异算子选择
本文研究了适应性函数分析在排列优化问题上的理论与实践,着重探讨了距离度量问题及其分类方法,并利用主成分分析法对于度量方法进行分类,揭示出排列优化问题的分类规律及其子类型,利用其进行突变算子的选择和进化算法的优化。
- CVPRES6D: 一种计算高效且对称性感知的 6D 姿态回归框架
本文提出了一种用于从单个 RGB-D 图像估计刚性物体 6D 姿态的计算高效的回归框架,可应用于处理对称物体,并且在特征提取方面使用全卷积神经网络 XYZNet, 直接回归 6D 姿态,并且设计了对称不变的姿态距离度量,称为平均 (最大) - 基于高效用度度量的差分隐私文本技术
本研究提出了一种新的方法:Truncated Exponential Mechanism(TEM),允许使用任何距离度量来对语言表示进行数据隐私转化,并在对该方法进行实证比较时发现,在保障数据隐私的同时,能够提供更大的度量选择自由度和更好的 - ICCV通过深度度量学习进行流形匹配,用于生成建模
本文提出了一种流形匹配方法来生成模型,该方法包括分布生成器和度量生成器,通过学习距离度量来生成符合真实数据流形的样本,并且应用于无监督和有监督学习任务,得到了良好的效果。
- COPT: 协调优化输运以进行图形素描
提出了一种新的图之间距离度量方法 COPT,通过优化程序计算两个最佳传输映射对,同时为图形草图和图形比较提供了一种无监督的通用图形表示方法,在合成和真实数据集上,COPT 优于现有技术方法的图形分类性能。
- 元学习在小样本学习中的置信度
论文提出了一种用于 few-shot 学习中元学习置信度和距离度量的方法,以提高模型在未见任务上的传导推理性能,并在四个基准数据集上获得了最新的最优结果。
- 用于少样本细粒度图像分类的低秩成对对齐双线性网络
本文提出了一种名为 LRPABN 的低秩双线性网络,用于解决挑战性的少样本学习下的细粒度分类问题,该模型通过双线性池化操作和特征对齐层学习一个有效的距离度量,并在四个细粒度分类数据集上表现出卓越的性能。
- 基于成对公正表示的个体公正实现
本文提出不需要人工规范距离度量的个体公平性的实现方法。我们提出新的方法获取和利用关于同样值得的个人的附加信息来打破社会群体之间的剥夺,将这些知识建模为公平图,并学习数据的统一成对公平表示,捕捉个体间数据驱动的相似性和公平性图中成对附加信息。 - 训练稳健的 PDF 恶意软件分类器
本文介绍了一种对 PDF 恶意软件进行训练的方法,通过使用新的距离度量和可验证的稳健性属性来训练分类器,并论证了其有效性和可靠性。
- CVPR利用批量最优输运损失进行三维形状识别学习
本研究提出了一种基于批量样本的优化传输规划的学习重要性驱动的距离计量方式,与端到端深层度量学习相结合,可以自动强调困难的样本,加速收敛率并获得更好的视觉识别表现,实验证明方法优于现有 3D 形状识别技术。
- 通过标签梯度对齐的半监督学习
我们提出了标签梯度对齐算法,它是一种半监督学习算法,用于为未标记的数据进行标记,然后用这些标记进行训练,将梯度模型转换成了一个具有语义意义的距离度量,通过梯度下降求解来对标记进行半监督学习, 在半监督 CIFAR-10 分类中实现了最先进的 - Banach Wasserstein GAN
本研究探索了 Wasserstein 生成对抗网络在巴拿赫空间中引入梯度惩罚后的理论扩展和一些具体选择的基础点,重点关注 Sobolev 范数,并在 CIFAR-10 和 CelebA 中展示了性能提升。