- MOKD: 通过最大化优化的核依赖进行跨域微调的少样本分类
在跨领域少样本分类中,本文通过学习表示来构建度量空间,以测量样本和每个类别原型之间的相似性,并通过双层优化框架提出了一种最大化优化核依赖性(MOKD)的方法,以学习与给定任务标记数据指示的聚类结构相匹配的一组类别特定表示。
- CVPR动态标签与原型分配的超球分类
通过优化网络参数和原型标签之间的映射关系,我们提出了一种在训练过程中优化每个原型所分配的类别的简单而有效的方法。
- 用于评估无监督表示学习的度量空间幅度
度量空间的规模最近被确定为一种新型不变量,它可以在多个尺度上衡量空间的 ' 有效大小 '。通过捕捉数据的几何和拓扑特性,度量空间可以解决无监督表示学习任务中的挑战。我们形式化了有限度量空间的度量函数之间的新概念差异度,并用它们导出了一种用于 - 关于使用坎托罗维奇 - 鲁宾斯坦距离进行降维的研究
使用 Kantorovich-Rubinstein 距离作为分类问题中样本复杂性描述符的研究目的是利用这一事实,即 Kantorovich-Rubinstein 距离是度量空间上的度量,同时考虑底层度量空间的几何和拓扑结构。我们为每个类别的 - 度量空间中的有效阻抗
本文介绍一种基于区域的有效电阻方法来研究图表结构,在度量空间中应用该方法可以获得一个与区域相关的非平凡解。
- 度量空间中 $k$-NN 规则的普适一致性及长田维度. II
证明了 KNN 法在分离式度量空间中,具有强全局一致性和普遍一致性,即使在不满足 Nagata 维度为有限维的度量空间,也能得到强全局一致性。
- 离散几何空间中鲁棒聚类的参数化逼近
本文介绍了 Robust k-z 聚类和其在度量空间、算法公平性、欧几里得空间和 FPT 近似等领域的应用,提出了相应的算法,其中在特殊的欧几里得空间中得到了较好的近似结果。
- 金融机构的几何形态 —— 金融数据的 Wasserstein 聚类
本文提出一种基于 Wasserstein barycenters 的 Lloyd 算法变体,可应用于概率分布,用于构建表示给定数据的度量空间,以应对金融监管领域中的具体挑战,从而使大而复杂的数据集能以简洁的形式呈现。
- 学习增强的在线设施选址
本文研究使用学习增强算法解决在线设施定位问题,在实际数据上验证该算法的性能并与当前最佳在线算法进行比较,结果表明该算法具有不错的竞争比率和适用性。
- 一种聚类的新 Coreset 框架
本文介绍了一种新的 coresets 框架,可以在欧氏空间、翻倍度量、无小度量和一般的度量情况下同时改善 k - 中位数和 k - 均值聚类等问题的最优解的界限。
- 社会公正聚类的近似算法
本文提出了一种在社会公正聚类中的近似算法,这个问题包括了在一个度量空间中,给定一组点,每个点属于一个或多个组,为了同时满足所有组,需要找到一个 k - 中位数、k - 均值或者更一般意义上,l_p - 聚类,同时给出了强化的 LP 松弛,将 - 中心平缓化:针对具有结构化输出网络的认证健壮性
本研究将证明对抗鲁棒性的研究扩展到具有更一般和结构化输出的问题,并将输出空间建模为度量空间,利用距离 / 相似函数等技术应用于图像分割,物体检测和生成模型等机器学习问题。本研究中的中心平滑程序使用随机平滑技术产生确保在输入的任何有界范数对抗 - MM几何设置下的社区检测与信息渗透
本研究提出了一种新模型 —— 基于度量空间的几何随机图,用于替代传统的离散社区结构模型,并讨论了在稀疏情况下对该模型的位置恢复问题,同时对一种树的信息流模型进行了改进和定理研究。
- ICLRReLU Code Space: 除了准确度以外评估网络质量的基础
我们提出了一个新的度量空间,基于截断汉明距离和 ReLU 激活码,并在 MNIST 数据集上进行实验,结果表明除准确率之外还有信息存储在代码空间中。
- CVPR基于图的半监督学习:严重限制标注数据下的简陋模型
本文介绍了一种新的框架 ' 破产 ',用于处理有限标记样本的图半监督学习,并成功地将其应用于节点分类和图像分类任务中。该框架通过学习度量空间来改善学习表现,同时利用有限的标记样本的语义知识和与大量未标记样本的连接模式。
- 合并树的内部交错距离
本文主要研究了比较两种基于图形的拓扑摘要的问题,通过使用度量空间中的交错距离概念来解决该问题。我们进一步证明了交错距离在有标签的合并树空间中是内在的,也适用于无标签的合并树空间,这是开展图形拓扑摘要统计工作的第一步。
- 投票者激情意识极大地提高了度量社会选择的失真度
该研究开发了一种新的投票机制,旨在选择能够最大程度降低社会成本(即选民与候选人之间的总距离)的候选人,并量化了关于候选人失真度和投票者偏好力量信息之间的权衡。
- IJCAI基于比较的学习的提升算法
本文提出了 TripletBoost, 一种在比较基础上学习分类器的方法,可适用于任何度量空间数据并仅使用被动获得和带噪声的三组信息处理大规模问题,同时具备良好的理论推广性能和抗噪能力。
- ACLACL2 (r) 中的凸函数
本文在 ACL2 (r) 平台上对 R^n 进行了形式化处理,并着重研究了凸函数的一组公理和证明,包括了一组关于引理的等价条件,并且探讨了证明工程的问题。
- ECCV度量学习的深度随机集合
本文提出了一种新颖、可推广和快速的方法,定义了一组嵌入函数集合,并通过随机挑选小的标签子集来学习每个嵌入函数。实验证明,这些嵌入集合可创建有效的嵌入函数,这些函数用于图像检索,并在 CUB-200-2011、Cars-196、In-Shop