- 125 FPS 下约 8K 参数的 4K 分辨率照片曝光校正
通过使用非常轻量级(仅有约 8K 个参数)的多尺度线性变换(MSLT)网络,我们提出了一种能够以每秒 125 帧比特率处理 4K 分辨率 sRGB 图像的照明校正方法,该方法能够有效降低参数量和计算复杂度。
- 置换子群的神经发现
我们考虑寻找置换群 S_n 的子群 H 的问题。我们提出了一种方法,可以在满足一定条件的情况下发现隐藏的子群 H。我们的结果表明通过学习一个 S_n 不变函数和一个线性变换可以发现任何类型为 S_k (k ≤ n) 的子群。我们还证明了循环 - Transformer 语言模型中的关系解码的线性性
基于 transformer 语言模型的研究中,发现存在一种简单而可解释的、但在各种情况下应用不一的知识表示策略,其主要通过关系、线性变换以及预测表达出来。
- ICCV稳定且因果推理用于区分自监督深度视觉表示
从因果关系的角度分析了有问题的自我监督方法,并提出了解决方案,通过在推理过程中应用线性变换来提高时间效率。
- 等向随机优化器
提出一种新的优化器 IsoAdam,通过使参数更新的范数对输入和输出的线性变换具有不变性来提高训练速度。
- 有监督主成分分析的另一种算法:有监督线性质心编码器
本文提出了一种新的监督降维技术 —— 监督线性重心编码器(SLCE),通过线性变换将类别的样本映射到其类重心,重构出与其相应的样本点,从而使配对点间的距离最小化,相当于是一种监督型 PCA 方法。实验结果表明,该方法比其他监督方法的性能优越 - 噪声鲁棒性神经网络架构
通过将神经网络架构中的每个自由参数表示为不确定性间隔,并对每个输入元素应用线性变换,我们提出了一种神经网络结构(土丘神经网络),用于识别普通嘈杂图像而无需在训练数据中添加任何人造噪音。通过对 MNIST 数据集的简单土丘神经网络的应用,我们 - 最优输入增益:超级高效前馈神经网络所需的一切
经实验证明,在等效的前馈网络中,使用线性变换预处理输入等同于在每个训练迭代中将负梯度矩阵与自相关矩阵相乘,本文提出了一种通过求解自相关矩阵来最大化学习的二阶方法,并使用最优输入增益(OIG)方法来改进两个一阶两阶段的训练算法,通过对 BP - 朝向可组合的潜在空间扩增分布
提出了一种基于变分自编码器架构的可组合的潜在空间图像增强框架,它使用一种新方法将增强应用于潜在空间本身的线性变换,这使得变换可以轻松组合或反转,并且可以通过转移潜在空间来修改性能,为研究人员和实践者提供了更大的控制和几何可解释性。
- SpaceE: 基于实体空间中关系线性变换的知识图谱嵌入
提出了一种名为 SpaceE 的翻译距离 (KGE) 基于线性变换的方法来模拟知识图谱中实体的关系,它可以很好地建模与非注射关系模式, 并且在许多具有非注射关系的数据集中明显优于现有的 KGE 方法。
- 转化稀疏系数下的虚假发现率控制:分裂 Knockoffs
该论文提出了一种适应数据的方法,即 Split Knockoff 方法,采用变量和数据分割,从而实现在线性变换稀疏性约束下控制假发现率,在阿尔茨海默病的结构磁共振成像数据集中可以发现萎缩的脑区以及其异常连接。
- 揭示词嵌入中的差异性语言信息及其对内在和外在评估的意义
本文研究词嵌入技术中的理想表示问题,发现各种模型包含的信息互相矛盾,通过线性变换来调整相似度排序以提高其结果,同时探讨了内在和外在评估之间的关系。
- ICLR离线双语词向量,正交变换与倒置的 softmax
本论文证明两个空间之间的线性转换应该是正交的,在此基础上提出了一种新型的反向 softmax 算法来确定翻译对,并使用此方法使得英语单词从 34% 的准确度提升到 43%,在无需专家双语信号的情况下达到 40%。最终,我们将这个方法扩展到从 - 无监督域自适应的相关性对齐
本文提出了一种简单且有效的无监督领域自适应方法 ——CORrelation ALignment (CORAL),通过对齐源域和目标域的二阶统计信息来最小化领域偏移,而不需要目标标签。相比于子空间流形方法,CORAL 原始特征分布不需要低维子 - 通用多端口干涉仪的最优设计
本文提出了一种新型多端口干涉计设计,采用了不同的光束分束器和相移器组合,其占用物理面积为 Reck 设计的一半,能够更好地实现线性变换,并且对光损耗具有更强的鲁棒性。
- 学习聚类和分类的变换
本研究提出了一种基于低秩变换学习的健壮子空间聚类和分类框架,其中学习的线性转换通过其凸替代核范数作为优化标准来恢复来自相同子空间的数据的低秩结构,并同时在来自不同子空间的数据之间强制产生最大分离结构,以实现更稳健的子空间聚类。所提出的框架通 - 利用线性变换进行度量和核学习
本文研究了在高维数据情况下的度量学习问题,提出了一种基于 LogDet 距离的学习线性变换的框架,并证明了它可以被有效地核化以学习任意高维空间中的度量,同时还可以将广泛类别的凸损失函数类似地核化,以扩展度量学习的潜在应用。同时,我们证明了这 - 基于 Lp 范数最小化的压缩感知典型重构限制
本文探讨了如何利用 L_p-norm 等方法在限制非零元素个数的条件下,通过线性转换的约束来重构出一个 N 维向量 x.
- 图顶点之间的相似度度量
该研究介绍了一种相似度概念和其在有向图中的运用,并指出其可用于自动提取单语言词典中的同义词。