关键词low-dimensional representations
搜索结果 - 7
- 基于单调变分不等式的非线性时序嵌入
通过无监督学习非线性时间序列的低维表示方法,该方法基于每个序列服从自身的自回归模型并通过低秩约束与其他序列相关联的假设,可以用于聚类和分类等机器学习任务,并且在真实时间序列数据上展示了有竞争力的性能和符号文本建模和 RNA 序列聚类的有效性 - ICML从神经元到中子:可解释性的案例研究
高维神经网络通过理解机制可解释性的视角提供对低维表示的洞察力,并从中获得人类领域知识的相关见解。通过研究训练用于重现核数据的模型,我们提取出核物理概念作为一个案例研究。
- 知识图谱嵌入的分块对角正交关系与矩阵实体
通过使用矩阵表示实体和使用黎曼优化获得分块对角正交矩阵表示关系,我们引入了一种新颖的知识图谱嵌入模型 OrthogonalE,提高了模型的泛化性和灵活性,显著优于现有最先进的知识图谱嵌入模型,并大幅减少了关系参数的数量。
- 学习特征中的瓶颈结构:低维度与规则性的权衡
该研究旨在证明具有大深度和 L2 正则化的 DNN 在学习输入时会产生 “瓶颈结构”(低维表示),并介绍了一种衡量网络内在维度和复杂性 / 不规则性之间平衡的方法。
- 维度通用的正则化流
本研究介绍了一种名为 NIF 的流行有噪声映射模型,可以通过注入变换学习数据流形的降维表示,有效提高了样品质量和数据嵌入的可分性。
- 动态图上的表示学习
本文提出了一种基于动态图的归纳式深层表示学习框架(DyRep),能够学习一组函数以高效生成随时间演变的低维节点嵌入,这些嵌入驱动动态图中节点之间的通信与关联,并利用时间为尺度的多元点过程模型来捕获这些动态关系,该研究通过动态链接预测和事件时 - 基于加权词向量聚合的极短文本表示学习
该研究构建了一种基于语义词嵌入和频率信息的方法,用于捕捉短文本间的语义相似性并设计了基于权重模型和一种基于中位数损失函数的学习过程,实现得到低维度的文本表示,实验证明该方法在维基百科和 Twitter 数据上表现优异且具有较好的泛化性能。