关键词multi-view representation learning
搜索结果 - 9
- CVPR通过蒸馏解耦重新思考多视角表示学习
多视角表示学习中的重叠与纯化问题得到了深入分析,提出了一种创新的多视角表示学习框架,结合了一种名为 “distilled disentangling” 的技术,通过引入遮蔽交叉视角预测的概念,实现了从多种数据源中提取紧凑、高质量的视角一致的 - 信息论引导的启发式渐进多视角编码
利用信息理论建立一个三层渐进式多视图编码方法 (IPMC) 来学习多视图表示,并通过理论和实证研究证明了 IPMC 方法相比于现有方法的优越性。
- 超越归纳偏见的多视图表示解耦
多视角表示学习通过发现多视图一致性和解缠绕的信息边界,提出了一种旨在超越归纳偏见、确保表示的可解释性和泛化性的新型多视图表示解缠绕方法。实验证明了该方法在聚类和分类性能上优于其他 12 种方法,并且提取的一致性和特异性具有紧凑和可解释的特点 - 城市区域嵌入的区域关注多视角表示学习
通过多视图表示学习,我们提出了一种区域化多视图表示学习(ROMER)方法,用于捕捉多视图依赖关系并学习表达性强的城市区域表示。我们的模型关注于从多源城市数据中学习城市区域表示,通过捕捉流动模式、兴趣点语义和签到动态等多视图相关性,采用全局图 - 多视角探索最大化解决视觉控制问题
本研究提出了 MEM: Multi-view Exploration Maximization 模型,它是第一种将多视图表示学习与内在奖励驱动的探索相结合的强化学习方法。实验结果表明,MEM 可以在高维环境和稀疏奖励空间下显着提高强化学习代 - 基于注意力机制的多视角网络表示学习协作框架
本文研究多视角学习节点表示,提出了一种多视图表示学习方法,促进了不同视图之间的协作,并让它们为健壮表示投票,投票过程中引入了注意机制,实验结果表明该方法优于现有的单视图和竞争的多视图网络表示学习方法。
- 多视角表示学习调查
本文介绍了多视图表示学习中的两个类别:多视图表示对齐和多视图表示融合,并从多个角度回顾了代表性的方法和理论,进而调查了多视图表示学习的发展。最终,探讨了多视图表示学习的几个重要应用,并旨在为研究人员提供深入的理论基础和最新的发展。
- ICLR大规模近似核规范相关分析
本论文提出了一种基于随机优化算法的近似核正则化典型相关分析方法,具有在处理大规模数据集时计算效率高的特点,该方法应用于语音数据集处理中,包含 $1.4$ 百万的训练样本,以及维度 $M=100000$ 的随机特征空间.
- MM通过非线性正交迭代的随机优化进行深度 CCA
本文提出了一种基于小批量迭代求解 CCA 目标的深度神经网络扩展模型 Deep CCA,用于解决随机优化的问题。结果表明,该模型达到了与先前优化器相同的性能,且减轻了内存需求。