- Huber 污染下高斯稀疏估计的鲁棒性优化错误
高斯稀疏估计在 Huber 污染模型中研究,针对均值估计、主成分分析和线性回归三个任务,提出了第一个样本和计算高效的鲁棒估计器,保证了较小的误差,并且在常数因子内达到最优。之前针对这些任务的高效算法都产生了数量上次优的误差。具体而言,对于高 - 朝向基于情绪的合成意识:使用 LLMs 估计情绪概率向量
利用 LLMs(大型语言模型)估计与文本相关的情感状态摘要。通过对亚马逊产品评论的情感分析,将情感描述符映射到 PCA 类型的空间中,并探索通过尾部提示来引发改进当前文本状态的行动描述,然而实验结果表明这并不是一项直接可行的任务。
- 通过特征选择和分类来评估周期性恶意软件检测
通过应用周期统计分析方法检测恶意软件行为并使用主成分分析算法提取关键的周期特征模式,研究发现网络流量中的网络协议是恶意软件最显著的周期特征模式之一,使用 UGRansome 数据集可以达到 99% 的精确度识别恶意软件签名,并用随机森林和支 - 二氧化碳(CO₂)的预测、捕获和利用:应用时间序列分析、机器学习和材料设计的集成
本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家(EU27&英国,意大利,德国,西班牙)和印度的电力,工业,陆上交通,国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者,并利用 L - 评估分类算法和支持向量机内核对干豆分类效果的影响
通过对 Dry Bean 数据集的分析,支持向量机(SVM)的径向基函数(RBF)算法在准确率、精度、召回率和 F1 得分等方面均表现最佳,这为复杂和非线性结构数据集中考虑不同 SVM 算法的重要性提供了宝贵的指导。
- ICLR通过矩阵分解探索 GAN 潜在空间中的语义变化
使用 PCA 的 GANSpace 方法学习的图片操作存在高度联系限制,因此,使用 ICA 替代 PCA 可以提高操作的质量和解缠效果。无论 GANs 的复杂性如何,他们的潜空间中都存在基本的控制方向。
- 类型化仿射决策结构的威力:一个案例研究
本文介绍了 TADS (紧凑型白盒神经网络表示) 在神经网络验证中的应用,结合 PCA 降维技术,提出了 Precondition Projection 技术用于描述神经网络的行为,可以用于诊断网络错误并提供紧凑和明确的解释,以及用于网络调 - 时延多特征相关性分析从 EEG 信号中提取微小依赖
该论文提出了一种自动分解和提取脑电信号的方案,将信号的统计依赖作为多项式建模,并使用 PCA 降维找到显著的依赖方向,从而获取描述分离统计依赖的滞后相关特征,此方法提取了更复杂的行为并有助于理解皮层的潜在动力学,诊断癫痫等病症,确定精确的电 - MM数据维度缩减提高机器学习算法效率
本文提出数据维数减少的方法,其中应用了 PCA 和 Auto-encoders 算法,并结合监督学习和无监督学习算法来验证在预处理 DDR 方面的准确性和时间效果。实验证明,预处理不仅能提高算法精度,也能提高时间效率,从而实现大规模精度和时 - ECCV使用普通智能手机进行移动式反射转换成像
提出了使用两部普通智能手机录制视频、结合基准标记和神经重照模型实现的新型反射变换成像技术,通过 PCA 压缩的极短的反射分布数据,能够重构任意光线方向下的物体外观,并且在现场轻松使用,能够胜过专门设置设备的最新技术。
- ICLR对比学习可寻找大致视角不变函数的最优基础
本文阐述了对比学习的核函数学习方法,将其应用于 PCA 表征中,证明其具有良好的泛化性能。研究基于正对偶马尔科夫链的特征值分解方法,经实验证明表征的准确性取决于核函数参数和增强强度。
- ECCVPointTree:具有松弛 k-d 树的鲁棒变换点云编码器
PointTree 是一个基于松弛 K-D 树,采用主成分分析作为分割规则的点云通用编码器,通过前向预对准进一步提高其鲁棒性,结合点描述符和点最大化操作达到优足以处理变形的点云数据的目标,在各种基准数据集上,其表现优于现有最先进方法。
- 基于超光谱图像迁移学习的地形分类:一项比较研究
通过应用 PCA 对超光谱数据集进行预处理,再应用深度学习模型进行分类,以降低训练时间并减少对大量标记数据集的依赖,并进行了 CNN 和多个 MLP 架构模型的详细比较,结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间 - 低数据情况下基于 PCA 增强的自编码器用于非线性降维
提出了一种利用 PCA 和参数化的 ReLU 激活函数进行自编码器训练的方法,以解决非线性数据降维问题,特别是对于数据稀缺及昂贵的纳米光子学元件设计和其他科学领域的任务。
- 使用 NSGA-II 和主成分分析进行无人机集群优化
本研究提出了一种在多重冲突目标下,通过 PCA 降维和多目标优化算法 (NSGA-II) 来实现应用于多种真实场景的群体行为控制,以及在控制模型的 12 个参数中进行了比较,优化后的结果被报告并与 CMA-ES 算法作了对比。
- ACL知识库索引压缩通过降维和精度降低
本文研究了通过降低信息库的维度和数值精度来减少检索问题答案时所需的计算资源,发现 PCA 能够简单地解决问题且需要的数据量较少,结合 1 位 / 维使能够在保持较好检索性能的前提下实现大幅压缩。
- 通过逐坐标优化理解深度对比学习
该研究探讨了对比学习的统一形式化方法,并提出了一种新的对比损失函数形式。其中,通过引入 pairwise importance 权重,最大化学习表达对比性,而最小化学习对相似表示的强调度。通过将这种方法应用于 CIFAR10,STL-10 - CVPR无监督学习内在结构表示点
本文中提出了一种简单且可解释的无监督学习方法,可以生成具有内在结构的三维结构点,这些点在类似结构的所有形状实例中表现出语义的一致性,并且通过采用 PCA 嵌入技术,本方法在保留形状结构方面表现出良好的性能。
- 通过迭代滤波进行异常值鲁棒的高维稀疏估计
研究高维稀疏估计任务中的鲁棒性问题,提出使用基于谱技术的迭代式方法消除数据中的离群值,实现高效稳健的稀疏均值估计和稀疏主成分分析。
- 高效公平主成分分析
提出一种适应性一阶算法,通过使用 Pareto 最优性的概念来学习保持公平性,同时略微牺牲重构损失的子空间,证明了该算法的解对于所有敏感群体都属于 Pareto 前沿,从而保证了整体重建损失和公平约束之间的最优权衡,并提供了收敛分析和验证了