- CVPRHIER: 层次正则化度量学习超越类标签
本文提出了一种新的监督学习正则化方法,名为 HIER,它可以在超几何空间中学习层次代理以逼近训练数据的语义层次结构,为度量学习提供更丰富和更细粒度的监督,并在四个标准基准测试中实现了最好的表现。
- NBC-Softmax: 暗网作者指纹识别和迁移跟踪
本文提出 NBC-Softmax 对比损失聚类技术,应用于作者风格检测和 Sybil 检测,相较于现有方法性能更优。
- 利用度量嵌入进行高效的恶意软件分析
本研究旨在探讨采用度量学习将 Windows PE 文件嵌入到低维向量空间,以用于恶意软件检测、家族分类和恶意软件属性标记等应用程序,并通过比较弱相关性和计算负载等多种度量嵌入的方式,研究其性能在不同的转移任务中。实验结果表明,在一些任务中 - AAAI双向特征重构网络用于细粒度少样本图像分类
本文针对细粒度少样本图像分类问题提出了一个双重重构机制,使用支持集重构查询集以增加类间变异性,使用查询集重构支持集以降低类内变异性,并构建自重构模块,实验结果表明相比其他方法,提出的模型在三个广泛使用的细粒度图像分类数据集上都取得了显著的改 - AAAI强化学习中解耦特征表示隐藏参数的学习与理解
本文提出了一种无监督方法,通过改进 RNN world model 的训练算法和利用 metric learning 映射 RNN memory 到 feature space 中,将 RL 轨迹从隐藏参数对系统行为的影响中解开,从而可对系 - 从叉子到鹰嘴钳:一种新的外科手术器械实例分割框架
本篇研究提出了一种新的神经网络框架,该框架基于实例分割模型添加分类模块以提高手术工具实例分割的准确性,并采用度量学习技术来处理手术器械类别的低变异性,并在评测数据集上证明了其优越性。
- 去噪多相似度公式:鲁棒性度量学习的自适应计划驱动方法
本文提出了基于自适应采样的均衡自适应度量学习(BSPML)算法,该算法采用去噪多相似度计算,并将噪声样本作为极其困难的样本,并根据样本权重自适应删除样本以提高模型的稳健性和泛化能力。
- 基于提示的度量学习用于小样本命名实体识别
本研究提出了一种使用多重提示架构和度量学习方法来解决 few-shot named entity recognition 中标注语义缺陷的问题,并在 18 个场景中实现了新的最先进结果,平均相对增益为 8.84%,最大相对增益为 34.51 - 采用深度度量学习改进对抗鲁棒性,提高对敏感性与不变性攻击的防御能力
利用度量学习将对抗正则化框架建模为最优传输问题,可以提高模型对不变扰动和敏感性攻击的防御,从而在对抗样本防御方面具有普遍适用性。
- ICML使用度量学习自编码器进行零日威胁检测
该篇论文利用双自编码器 [dual-autoencoder] 和度量学习 [metric learning] 方法,通过资产级图谱特征 [asset-level graph features] 检测网络流量中的零日威胁 [zero-day - 无放弃对:通过规则三元组目标改进度量学习
提出了一种新的三元组目标函数的表达方式,明确规范化了三元组中正负特征之间的距离与主干网之间的距离,这种方法在基准数据集上和大规模医疗保健数据集 (UK Biobank) 上的表现均优于传统和现有的三元组目标函数表达方式,并已通过在健康风险预 - 文本和语音嵌入匹配:探索基于迁移学习的语音检索策略
本文研究了预训练的深度学习模型在跨模态(文字到音频)检索中的应用,使用浅层神经网络将提取的嵌入映射到公共维度,并探究优化模型的先前培训方法和损失函数选择的重要性。
- ScaleFace:基于不确定性的深度度量学习
提出了一种深度度量学习方法,使用可训练的比例值来修正嵌入空间中的相似性,从而达到识别结果的不确定性评估,进而证明了该方法在人脸识别和文本到图像检索等方面的准确性和有效性。
- MMHyP$^2$ Loss:多标签图像检索的超球度量空间之外
本文提出了一种新的深度哈希度量学习框架 HyP^2 Loss,在多标签情境下构建了一个表达性强且训练复杂度低的度量空间,将数据对的数据对应性和代理方法的高效性相融合,提高图像检索的性能。
- 基于分段的度量学习用于少样本生物声音事件检测
本文提出了一种利用 segment-level few-shot learning 框架来在少量正负例的情况下检测生物声音事件。实验结果表明,使用负样本有利于提高模型的泛化能力,采用在验证集上的推导式推理可以更好地适应新颖的类别。该方法在 - 一对多:多用户同时度量和偏好学习
本文研究了从一群回答者中同时进行偏好和度量学习的问题,旨在捕捉单个用户的偏好和相似度度量标准,同时享有样本成本分摊。通过研究连续响应设置和噪声二进制测量,证明了该模型足够灵活,能够有效地满足不同需求,并提高了学习的样本复杂度,最终在模拟数据 - KDD可靠的表征使得防御更强:用于鲁棒性图神经网络的无监督结构细化
本文提出了一种名为 STABLE 的无监督流水线来优化图形结构,以增强图神经网络算法的鲁棒性,该方法采用边度量学习来抵御对抗攻击,并设计了一个高级 GCN 来进一步加强其鲁棒性,证明其在四种实际图形基准测试中具有优越的性能表现。
- MORE: 基于度量学习的开放领域关系抽取框架
MORE 利用深度度量学习从标注数据中获取丰富的监督信号,并直接驱动神经模型学习语义关系表示,提高开放域关系抽取 OpenRE 的效率和性能。
- 面向上下文感知的神经性能评分同步
研究表明,通过采用基于数据驱动、环境感知式度量学习的方法以及神经网络框架代替传统的基于知识和随机模型的方法,可以更好地实现音乐演奏和乐谱的同步对齐,进而从事音乐教育、音乐演出分析、自动伴奏和音乐编辑等多个领域的研究与应用。
- KDDGeometer: 基于原型表示的图神经网络少样本类增量学习
本研究提出了一种基于几何特征的图少样本增量学习方法,使用最近类原型来预测节点标签,并引入师生知识蒸馏和选择性采样以应对 catastrophic forgetting 和不平衡标记问题,实验结果表明该方法在四个公共数据集上的表现显著优于现有