关键词high-dimensional spaces
搜索结果 - 9
- 使用重心修正程序的机器学习训练优化
使用莫斯科时间支持向量分类(LinearSVC)和高斯径向基函数(RBF)核的估计特征映射,证明组合机器学习算法与重心校正程序(BCP)在高维空间具有较高的计算时间和准确性。
- 去除去中心化无懊悔高维贝叶斯优化中的可加性约束
本文提出了一种松弛针对 $f$ 的加性结构限制的去中心化贝叶斯优化算法 DuMBO,并针对过度探索问题进行调节,是一种在高维环境下实现成本高昂的优化的良好选择。
- 可转移的深度度量学习用于聚类
提出了一种学习跨多个不同领域数据集应用的传输度量的框架,在使用基于嵌入空间的指定聚类的情况下,在少量训练集和浅层网络的情况下,我们在多个变量复杂度的数据集上实现与最新技术水平相当的结果。
- ICMLCLUB: 对数比对比界限下的互信息
本文提出了一种新的对数比上界(CLUB)方法来估计和最小化高维空间中的互信息,并在此基础上引入了互信息最小化训练方案,并进一步通过负采样策略进行加速,仿真实验表明 CLUB 方法的可靠性,真实世界的互信息最小化实验,包括领域适应和信息瓶颈, - CVPR高维卷积神经网络用于几何图形识别
高维卷积神经网络可用于几何模式识别中,通过对高维空间中的线性子空间、三维注册、图像对应等问题的研究表明,相比于全局池化运算符,基于高维卷积神经网络的先进方法具有更好的性能。
- 深度学习在人工智能中的非凡有效性
深度学习网络在语音识别、图像描述和语言翻译等方面的高性能表现是由于它们利用高维空间的几何特性,然而它们究竟能否推广到实现全面的人工智能,以及和大脑规划和生存相关的其他区域的灵感还需做出重大突破。
- IJCAISuccessor Options: 基于继承关系的强化学习选项发现框架
探讨一种名为 Successor Options 的新方法,该方法使用 Successor Representations 构建状态空间模型,通过学习伪奖励来了解内部操作策略,并且适用于高维空间的机器人控制环境。
- 量子生成对抗学习
本研究提出了一种新的量子生成对抗网络(QuGANs),其中生成器和鉴别器配备了量子信息处理器,当数据由量子状态或经典数据组成时,该方法达到唯一固定点使生成器产生与数据相同的统计数据。
- 自然进化策略
本文提出了一种名为自然进化策略(NES)的算法,它是一种比传统进化算法更为规范的黑盒优化方法。NES 在候选解集上维护一个参数化的分布,使用自然梯度来更新分布的参数,以求解更高预期的适应度值。本文介绍了一系列技术,解决了关于收敛、稳健性、样