关键词information maximization
搜索结果 - 14
- 因果对照学习在时间上的反事实回归
本文提出了一种独特的时间反事实回归方法，通过强调长期预测，强调使用循环神经网络（RNN）进行长期预测，结合对比预测编码（CPC）和信息最大化（InfoMax），避免使用计算昂贵的变换器，捕捉到存在时间变化的混杂因素中的长期依赖关系，通过最大 - 重新审视互信息最大化在广义类别发现中的应用
通过信息最大化（InfoMax）概率参数分类器的视角，本文重新探讨了泛化类别发现的挑战，发现通过确保已知和未知类的独立性，同时假设在所有类别上保持均匀的概率分布，可以扩大已知和未知类之间的边界，从而提高模型的性能。为了实现上述独立性，我们提 - ICLR多视角对比学习
通过信息最大化和充分统计推导出新的表示学习目标，研究了多视图任务的匹配，在有限的计算预算中降低唯一样本数同时增加这些样本的视图数，与 SimCLR 相比，训练 128 个时期，批量大小 256 的多视图对比模型在 ImageNet1k 上的 - 多任务学习中的标签预算分配
多任务学习中，标签预算分配问题会对整体性能产生显著影响。本文提出了一种任务自适应预算分配算法，通过在不同的多任务学习环境中估计和最大化分配预算的新信息程度，优化多任务学习性能。在 PASCAL VOC 和 Taskonomy 上的实验表明， - ICCV无源域自适应人体姿势估计
提出了一种新的任务 —— 无源域适应人体姿态估计（HPE），并通过构建源模型、中间模型和目标模型的新框架，从源保护和目标相关两个角度解决了跨域学习的挑战。在几个领域自适应 HPE 基准测试中进行的综合实验表明，该方法在性能上明显优于现有方法 - 远程感知中的视觉问答：跨注意力与多模态信息瓶颈
本研究提出了一种基于跨注意力的信息最大化的方法，结合 CNN-LSTM，并在两个不同分辨率的 VQA 遥感数据集上评估表现，获得了较高的准确率。
- 信息最大化准则的自监督学习
本文介绍一种基于互信息的 self-supervised 方法 CorInfoMax，该方法通过最大化高斯混合分布下的互信息解决了 mode collapse 和 dimensional collapse 问题。
- 最大化互信息和对抗正则化的无监督图像分割
本文提出了一种全新的完全无监督语义分割方法，名为 InMARS，以信息最大化和对抗性正则化分割为基础，并结合对抗性训练策略，通过像人类感知一样先将输入图像分区，然后将其聚类为语义上有意义的类别，其实验结果表明在两个常用的无监督语义分割数据集 - IJCAI基于课程负采样的无监督路径表示学习
该研究提出了一种基于无监督学习的路径表示学习框架 Path InfoMax (PIM)，通过课程负采样和互信息最大化来学习通用路径表示，在两个下游任务中表现优异。
- ACLHTCInfoMax: 基于信息最大化的分层文本分类全局模型
本文介绍了信息最大化方法 HTCInfoMax 来解决现有模型在层次文本分类中存在的问题，包括与样本不相关的标签信息以及未考虑标签统计特性等。我们的方法在建模标签 - 文本间的相互关系、鼓励结构向量学习更好的表示，并能更好地处理标签不平衡问 - ICML嘈杂配对比较下的主动嵌入搜索
利用主动学习策略来最大化信息收集，在低维空间中通过成对比较预测用户偏好向量的两个新策略，验证表明其在性能方面优于现有的选择方法和随机查询。
- 野外环境中的种族面孔：信息最大化适应网络降低种族偏见
本文针对深度人脸识别中的种族偏见问题进行了研究，首先构建了一个名为 RFW 的专门数据集，验证了四个商业 API 和四个 SOTA 算法的种族偏差，并提出了一种使用深度无监督领域自适应的解决方案，并通过 “信息最大化自适应网络”（IMAN） - AAAI信息最大化的 HodgeRank 算法用于众包排名聚合
研究了基于信息最大化的主动抽样策略，旨在智能地为任务请求者分配有限的预算，以提高标注质量和效率，经实验证明，该方法比传统的抽样方案表现更好，更适合于实际的众包实验。
- 信息论字典学习的图像分类
本研究提出一种两阶段方法，基于信息最大化原理学习对象分类任务的字典。第一阶段选择单词符号以最大化相互信息度量字典的紧凑性、辨别性和重构性能；第二阶段使用简单的梯度上升算法更新所选择的单词符号以提高其重构能力和辨别能力。实验结果表明该方法在实