- 学习 BPS 谱和间隙猜想
我们通过计算主成分分析的输入数据特征显著性,发现 BPS q 系列在 q 的幂次较高时出现的间隔与 q 系列开始时的间隔相比,具有更高的统计学意义。
- SwipeGANSpace:通过高效的潜空间探索实现滑动比较图像生成
使用生成对抗网络 (GANs) 生成偏好图像具有挑战性,因为潜在空间的高维性质。本研究提出了一种新方法,利用简单的用户滑动交互来生成用户偏好图像。为了有效地利用仅滑动交互的潜在空间,我们对 StyleGAN 的潜在空间应用主成分分析,创建有 - 面部识别系统中的对抗样本生成方案
利用自编码器潜在空间和主成分分析,本研究分析面部识别系统对抗性示例的脆弱性以及其对最新系统的规避和冒充攻击的潜在影响。尽管结果没有支持最初的假设,但为对抗性示例的生成带来了新的洞见,并开辟了该领域的新的研究方向。
- COLING探索语言模型中的内部数理能力:ALBERT 的研究案例
该研究提出了一种方法来研究 Transformer 语言模型内部如何表示数字数据,并使用该方法分析了 ALBERT 语言模型系列。通过主成分分析(PCA),我们提取这些模型用于表示数字和序数的令牌的学习嵌入,PCA 结果显示不同大小、训练和 - 基于随机主成分分析的高光谱图像分类
本文研究了利用主成分分析(PCA)和随机主成分分析(R-PCA)结合支持向量机(SVM)和轻量级梯度提升机(LightGBM)对高光谱图像进行分类的方法,实验结果表明,对于 Indian Pines 和 Pavia University 两 - 多个主成分分析研究之间的知识转移
我们提出了一种两步传递学习算法,通过从多个主成分分析(PCA)研究中提取有用信息来增强目标 PCA 任务的估计精度,并对理论进行了分析,证明了在知识传递之后经验谱投影矩阵的双线性形式在较弱的特征值间隔条件下渐进地正态分布。
- 寻求者的困境:硬件木马检测的现实制定与基准
通过形式定义 “硬件木马(HT)检测” 的现实问题,本研究旨在推动硬件设计领域的安全研究。通过在图上扩展 Hide&Seek,采用 “追求者困境” 问题描述方法模拟更贴近真实世界的 HT 检测问题。使用这种理论问题形式,创建了一个混合有 H - 用于异常检测的核主成分分析
利用核主成分分析(KPCA)框架进行异常数据检测,通过非线性核映射来提高内分布和外分布特征的分离性能,实验证明其在效率和性能方面优于现有的最先进的异常数据检测方法。
- GT-PCA:高效且可解释的降维方法 —— 具有一般转换不变性的主成分分析
引入广义变换不变主成分分析(GT-PCA)作为主成分分析(PCA)和自编码器的一个有效而可解释的替代方法。通过提出的神经网络,高效地估计主成分,并提供了基于合成和真实数据的实验证明了 GT-PCA 明显优于其他方法。
- 旗帜玩乐:通过旗帜流形获得鲁棒的主方向
主成分分析(PCA)及其在计算机视观和机器学习中的扩展,通过线性子空间的标志引入了一个统一的形式,将传统的 PCA 方法推广为考虑异常值和数据流形的新的降维算法,并提出了一种基于标志流形的优化问题求解方法,通过 Stiefel 流形实现了收 - 学习增强的降维 K 均值聚类
使用主成分分析(PCA)降低数据集的维度,提高 k-means 算法在特定质心下的预测性能和降低成本。
- Transformer 多变量预测:多多益善?
本研究提出了一种使用 PCA 增强的新型 Transformer 预测框架,以降低冗余信息、提高预测准确性并优化运行时间效率。通过与其他五个先进模型和四个真实世界数据集的评估结果显示,该框架能够在所有模型和数据集上最小化预测误差,并显著降低 - 基于 OPTICS 的无监督学习方法用于终端空气处理单元的故障检测
基于 AI 分类技术的智能建筑系统中,研究了一种无监督学习策略以检测终端空气处理单元及其相关系统中的故障。使用主成分分析对历史传感器数据进行预处理,并与 k-means 进行对比。结果表明,优于 k-means 的 OPTICS 在准确性上 - PBES:基于主成分分析的示例采样算法的连续学习
我们提出了一种新颖的示例选择方法,基于主成分分析(PCA)和中值采样,并在类增量学习的环境中使用神经网络训练方案。该方法避免了数据中的异常值问题,且在各种增量机器学习模型中易于实现和使用。它还可以作为一种独立的采样算法使用,并且与最先进的方 - 主成分分析加速实时处理高光谱图像的检测和识别准确度
实时高光谱检测中采用主成分分析进行降维可以加速处理时间,并且通过减少主成分数量可以在不显著降低检测率的情况下进一步减少处理时间。
- 基于洗牌配置的无监督学习的站点渗流
应用主成分分析(PCA)和基于无监督学习的自编码器(AE),研究了随机化和选择的渗流图作为神经网络的输入,分析了获得的结果,表明 AE 的单一潜在变量和 PCA 的第一主成分与粒子密度相关。
- 夜间驾驶行为预测基于卷积神经网络支持向量机分类器的尾灯信号识别
通过识别人驾驶和自动驾驶车辆的尾灯,本文旨在提高夜间驾驶行为预测的能力。采用了一个定制探测器来准确检测道路上前方车辆的尾灯。利用卷积神经网络从这些区域提取出特征,然后利用主成分分析来降维。最后,使用支持向量机来预测车辆的行为。实验结果表明, - 脑基因转录的压缩表示
脑的体系结构过于复杂,需要使用压缩表示来将其变化投影到一个紧凑且可导航的空间中。通过比较基于线性和非线性方法的压缩表示,我们发现深度自编码器在性能和目标领域的各个指标上都表现出卓越的性能,从而支持将其用作代表人脑转录模式的参考标准。
- 当协同过滤不再协同:PCA 对推荐的不公平性
降维方法的公平性研究,重点关注主成分分析(PCA),通过识别潜在组件并通过前导组件生成低秩近似来拟合数据,我们发现 PCA 引起项目级不公平的两个机制,并提出使用具有项目特定权重的目标优化的修改后 PCA 算法,称为 Item-Weight - 关于不精确缩减在主成分分析中的误差传播
主成分分析(PCA)是数据分析中的一种常用工具,特别适用于高维数据。本文对无精度缩减方法的误差传播进行了数学描述,并提供了两个结果:i)当寻找主要特征向量的子程序为通用时,ii)当使用幂迭代作为子程序时,由于幂迭代提供额外方向信息,我们能够