关键词hilbert-schmidt independence criterion
搜索结果 - 14
- 关于特征选择中核依赖最大化的限制性研究
通过反例，我们证明了使用 Hilbert-Schmidt 独立性准则（HSIC）来进行特征选择的基本原理是错误的，而且通过 HSIC 的最大化可能会忽略掉关键特征。
- 平移不变核 HSIC 估计的极小最大速率
在本研究中，我们证明了具有连续有界平移不变特征核的 Borel 测度中，Hilbert-Schmidt 独立性准则（HSIC）在 R^d 上的最优最小化估计率为 O (n^(-1/2))，从而证实了许多经常使用的估计器（包括 U 统计量、V - 少样本假设适应的增强多样性生成网络
本文提出一种增强多样性的生成网络 (DEG-Net)，用于 few-shot hypothesis adaptation 问题，通过最小化语义特征之间的 Hilbert-Schmidt 独立性来生成多样化的无标注数据，得到的结果比现有方法更 - 稳定学习提高多兴趣网络
本研究借助 Hilbert-Schmidt 独立性准则提出了一种名为 Deep Stable Multi-Interest Learning (DESMIL) 的新型多兴趣网络，旨在通过为训练样本学习权重以消除捕获兴趣之间微妙依赖的影响，更 - 核最大化依赖下的自主学习
本研究从统计相关性的角度探讨自我监督学习方法，提出了一种基于 Hilbert-Schmidt 独立性准则（SSL-HSIC）的自我监督学习方法，该方法最大化与图像表示转换和图像身份的相关性，并将那些表示的核化方差最小化。实验表明，该方法在 - 测度论方法对条件均值嵌入的核分析
使用无算子、测度论方法，将条件均值嵌入（CME）作为在再生核希尔伯特空间中取值的随机变量进行了处理，并推导了一种自然的回归解释来获得经验估计，提供了彻底的理论分析，包括通用一致性。作为自然副产品，我们获得了最大均值差异和希尔伯特 - 施密特 - GraphLIME: 图神经网络的本地可解释模型解释
本文提出了 GraphLIME，一种用于解释图结构数据的本地可解释模型说明框架，具有高度的解释度和描述性，采用非线性特征选择方法，通过对节点的 N - 跳邻居建立非线性可解释模型，计算 K 个最具代表性特征作为其预测解释。
- 促进独立性的图解开网络
本文提出了一种利用 Hilbert-Schmidt 独立准则以及邻域路由机制实现图卷积网络中的解缠编表示学习方法，能够提高结点表示的独立性，实验结果验证了该算法在半监督图分类、图聚类和图可视化等网络应用中的有效性。
- ICML希尔伯特 - 施密特独立准则下的强健学习
使用 HSIC 作为损失函数学习鲁棒回归和分类模型，以期望产生具有良好概括性能力的模型用于处理无监督共变量漂移任务，实验表明其优于标准损失函数取得最新成果。
- IJCAI多视角多聚类
本研究介绍了一种名为 MVMC 的多视图多聚类算法，将自表示学习应用于多视图数据中，使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息，再采用矩阵分解生成多个高质量多样性聚类，并进一步扩展到多视图多共聚类（MV - 自编码架构中的依赖瓶颈：一项实证研究
研究通过使用 Hilbert-Schmidt 独立准则（HSIC）作为依赖度量来测量 DNN 中图层之间的依赖关系，从而更准确地研究 DNN 中的信息瓶颈和泛化特性，并在实验中评估了该方法在 auto-encoding 的应用。
- 特征与通用张量积核函数
本文研究张量积核的不同特性，解决了最大平均偏差与 Hilbert-Schmidt 独立性标准何时刻画随机变量差异与独立性、何时判别概率分布的问题。
- 依赖度量在敏感性分析和筛选中的新进展
本文旨在通过研究依赖性测量和基于 Bootstrap 抽样技术进行屏幕化以及提出基于线性模型的方法来识别重要参数，从而解决传统敏感性分析方法在参数过多时计算成本高的问题。数值实验表明这些方法具有较高的有效性和可行性。
- 相对依赖性的低方差一致性测试
使用 Hilbert-Schmidt 独立准则（HSIC）测量依赖性，建立了新型非参数统计假设检验方法，用于确定一个源变量对于两个候选目标变量的依赖性。测试表明第一个依赖度量是否显著大于第二个，其结果表明建立这些 HSIC 统计数据之间的协