- 基于偏差 - 方差分析的可解释性目标特征聚合多任务学习
提出了一种多任务学习方法,该方法基于任务聚类和特征变换,通过目标和特征的两阶段迭代聚合来提高回归模型的泛化能力,并在合成数据和真实世界的数据集上进行了验证。
- 通过图对比预训练和多目标微调的无监督生成特征转换
特征转换是从原始特征中导出一个新的特征集,以增强数据的人工智能能力。本研究通过连接图形、对比和生成学习,开发了一种测量 - 预训练 - 微调模式,从而解决无监督特征转换学习的问题,并提出了特征值一致性保持的观点来评估特征集的效用,以及使用深 - 跨域少样本语义分割基于双重匹配变换
跨领域少样本语义分割(CD-FSS)旨在训练能够用少量标记图像从不同领域分割类别的通用模型。本文提出了基于双重匹配变换网络(DMTNet)的算法来解决特征转换中的问题。通过使用自匹配变换(SMT)构造基于查询图像自身的查询特定变换矩阵,而不 - CBMAP:基于聚类的流形逼近和投影用于降维
介绍了一种基于聚类的降维方法 CBMAP,旨在同时保留全局和局部结构,提供速度、可扩展性和对超参数依赖较小的解决方案,满足机器学习应用中对测试数据的低维投影的需求。
- 理解投影仪在知识蒸馏中的影响
在知识蒸馏过程中,我们发现即使学生和老师具有相同的特征维度,添加投影器仍然有助于提高蒸馏性能,并且投影器在体系结构中的添加甚至可以改善逻辑蒸馏。受到这些令人惊讶的发现和现有文献对知识蒸馏过程中投影器角色的不了解的启发,本文研究了被忽视的投影 - 借助双向知识传输释放 GNN 的潜力
通过对特征转换操作在几种典型的 GNN 上的性能进行实证调查,我们注意到 GNN 没有完全释放内在特征转换操作的潜力。因此,我们提出了一种双向知识传递(BiKT)的方法,通过该方法,我们可以不修改原始架构解放特征转换操作的潜力,并在 GNN - 增强型强化学习自回归特征变换:连续空间中的梯度引导搜索后缀表达式
特征转换是从原始特征中生成新的模式区分性特征空间,以提高下游机器学习任务的性能。本文通过将离散特征转换重新定义为连续空间优化任务,并开发了一个嵌入 - 优化 - 重构的框架,以填补现有方法在大搜索空间下搜索效率和稳定性之间的缺陷。
- 基于 Newell 理论的特征变换在时空交通预测中的应用
通过交通流量物理特征转化提高深度学习模型的可迁移性和预测性能,实验结果表明该方法可成功应用于不同的交通数据集和位置
- KDD可追溯的小组级自优化特征转换学习:双重优化视角
这篇研究论文讨论了如何通过强化学习来自动化特征转换,以解决维度灾难、数据稀疏性和模型泛化等问题,并提出了一种集成图形表示和增强学习技术的自优化框架来改进其效果和通用性。
- 一次学习的任务自适应特征转换
介绍了一个简单的非线性嵌入自适应层,对于一次性任务,在固定的预训练特征之上微调,从而显著改善了低样本情况下的传导熵推断。
- 自优化特征转换
提出了一种自优化框架,用于固有特征空间的转换,以增强机器学习模型的泛化能力,通过使用强化学习来改善性能并比较不同的训练策略。
- ICMLFew-Shot 图像分类中的通道重要性问题
本文探究用渠道方案特征转换可以提高 Few-Shot Learning 中图像分类的普适性,同时揭示了当前视觉系统的核心问题,即渠道偏见问题。
- WWWGBK-GNN:用门控双核图神经网络建模同质性和异质性
本文提出了一种基于 Bi-kernel 特征转换和选择门的 GNN 模型,其中使用两个核对同一阶段的节点进行建模,以更好地捕捉同质性和异质性信息。在各种数据集上的实验结果表明,该模型在同质性和异质性特性方面均显著优于现有 GNN 方法。
- ICCV通过可视化特征变换来改善对比学习
本论文研究了对比学习中正负样本设计的关键问题,并提出一种不同于数据增强的特征级数据操作策略,提高对比自监督学习的学习效果。作者们使用可视化工具分析数据,提出正样本外推和负样本插值两种特征变换策略,将其应用于图像分类任务,实验结果表明,本论文 - 图神经网络知识的提取与扩展:一种有效的知识蒸馏框架
本文提出一种基于知识蒸馏的框架,利用参数化标签传播和特征转换模块搭建简单的学生模型。实验结果表明,该模型在 5 个公共基准数据集上相对于 7 个图神经网络的教师模型平均能提高 1.4% - 4.7% 的准确度,并且具有更可解释性的预测过程。
- 图神经网络作为图信号去噪的统一视角
本篇论文针对图结构数据的表征学习中的聚合操作进行研究,探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性,进而提出统一图神经网络框架 UGNN,并基于此开发了 ADA-UGNN 模型,通过实验验 - 基于特征转换集成模型的批次谱正则化用于跨领域少样本分类
本文提出了一个特征变换集成模型,使用批次谱规则化来解决跨域少样本学习的问题,并应用标签传播、熵最小化和数据增强方法来缓解目标域中标记数据的短缺。实验结果表明,我们提出的模型具有显著的优越性。
- 多领域判别分析实现领域泛化
本文提出了一种多领域判别分析方法 (MDA) 来处理分类任务中的域泛化问题,通过学习一个域不变的特征变换,旨在实现每个类别之间领域的最小差异、类别之间最大可分性以及整体最大紧凑性,在学习理论分析中提供了过度风险和泛化误差的限制,通过对合成数 - MM基于流形嵌入分布对齐的视觉领域自适应
该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法,它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器,同时进行动态分布对齐以定量评估边际和条件 - 高维度多媒体数据学习:现状
多媒体数据具有高维复杂性,需要研究新的机器学习算法以便处理。本文综述了三种处理高维数据的方法,即特征转换、特征选择和特征编码,并介绍了一些有效的学习算法的最新进展和未来趋势。