关键词low-dimensional subspaces
搜索结果 - 8
- COLING子空间防御:通过学习纯净信号的子空间来排除对抗性扰动
通过谱分析来检查样本特征的子空间,我们首先从实证角度表明干净信号或对抗扰动的特征分别是冗余的,而且在低维线性子空间中重叠较少,并且经典的低维子空间投影可以将扰动特征压缩到干净信号的子空间之外,从而使得深度神经网络可以学习一个只包含干净信号特 - 通过低维后验投影进行不确定性可视化
通过在低维子空间上使用能量模型(EBMs)对后验进行估计和可视化,我们介绍了一种用于在不透明的逆问题中获得可能解的全谱派生物的新方法,该方法在不确定性量化和可视化方面表现出更高的效率和准确性。
- 无需数据学习简化运动学
本研究旨在自动识别高维物理系统中低能量状态下的低维子空间,通过使用神经网络来将低维潜在向量映射到完整的配置空间,并提出了对于任意系统兴趣的训练方案,为非线性、弹性体、布料子空间以及碰撞刚性体和连杆等更一般的系统都提供了有效的解决方案,可以用 - 减少随机位数的低内存忘却(张量)子空间嵌入:最小二乘的模态方法
该论文提出了一种新的 Johnson-Lindenstrauss(JL)子空间嵌入方法,适用于极大向量和张量,对两种低维(张量)子空间证明了相应的嵌入结果,并在压缩和最小二乘问题中取得了良好的数值效果。
- ICML神经协作子空间聚类
研究介绍了神经协同子空间聚类,一种无需谱聚类辅助即可发现低维子空间中数据点集簇的神经模型。关键在于分类器的构建和两个相关矩阵的协同训练。与其他聚类算法相比性能更优。
- 共享表示的分布式多任务学习
研究了在多个机器学习一个未知的低维子空间中具有共享表示的分布式多任务学习问题,通过高效通信的方法来利用共享结构。
- 高效表示技术用于终身学习和自编码
本论文提出并提供了多种自然理论公式的有效算法,以解决在学习多个不同目标函数时,学习者可共享某些未知公共特征的问题,并且可以学习到捕捉这种共性的新的内部表示,以便更高效地学习和使用更少的数据。
- ICML噪声稀疏子空间聚类
本文研究噪声下的子空间聚类问题,证明了一种改进的 Sparse Subspace Clustering 算法在数据受到干扰时依然能够正确识别基础子空间,从而将其理论拓展到更实际的设置和一类实际应用中。