关键词neural network representations
搜索结果 - 7
- 本质维度相关性:揭示多模态表示中的非线性连接
探索了机器学习方法背后的机制,利用内在维度与相关性之间的纠缠提出了一种度量标准,用于量化高维流形之间的相关性。验证了方法在合成数据上的优势和缺点,并在神经网络表示中将分析扩展到大规模应用,揭示了多模态数据的潜在表示之间明显的关联,而现有方法 - TorchSpatial: 空间表示学习的位置编码框架和基准
Spatial representation learning (SRL) is addressed with the proposed TorchSpatial framework, which includes a unified lo - 如何利用逆条件流作为分布回归的替代方案
使用逆流转换(DRIFT)的神经网络表示,对分布回归模型提供了框架,证明其在多个应用中能替代传统统计模型,而且与统计方法在效果估计、预测和不确定性量化方面的性能相匹配,一方面涵盖了可解释的统计模型,另一方面打开了统计建模和深度学习的新途径。
- 大规模天文调查中的样本外泛化:健壮网络学习相似表示
机器学习模型在处理来自未来天文调查的离域样本时依然面临挑战,解释性方法通过使用相似性度量来检查预训练卷积神经网络在中心核对齐方面的性能与表示相似性之间的关系,发现当模型对分布变化具有稳健性时,在离域数据上,图像在网络层之间的表示会有较大变化 - 布雷斯距离和形状距离的偶性及其在比较神经表示中的应用
神经网络表示之间的多种 (不) 相似性度量已被提出,大多数这些度量方法可以归为两类:第一类是学习显式映射以量化相似性的线性回归、规范相关分析和形状距离;第二类是量化相似性的总结统计信息的表示相似性分析、中心核对齐和归一化布雷凡斯相似性,本文 - 神经网络表示中的聚类探测
研究探讨神经网络训练中的设计选择如何影响隐藏表示中形成的聚类,发现数据集的属性以及网络内部结构对聚类性能有重要影响,而使用预训练模型进行聚类时,预先训练于子类标签的模型表现出更好的聚类性能,而比较意外的是,视觉变换器的子类聚类能力比 Res - 基于神经抽象的控制器综合和部署
我们提出了一种利用神经网络表示以减少抽象技术的高内存需求的方法,通过校正神经网络的输出来保持整个过程的正确性,并通过提供一个新的训练算法来减少合成控制器的内存需求。