关键词sparse dictionary learning
搜索结果 - 11
- 朝着基于原则的稀疏自编码器的解释性和控制性评估
我们提出了一个评估特征字典的框架来解决解释性中地实际问题缺乏基本事实的问题，并应用该框架到间接对象识别任务中使用 GPT-2 Small，发现虽然稀疏自编码器可以捕捉到可解释的特征，但是它们对于控制模型的成功程度不如受监督的特征，并观察到在 - SINDy-RL: 可解释和高效的基于模型的强化学习
介绍了一种将稀疏字典学习和深度强化学习结合起来的 SINDy-RL 框架，用于创建高效、可解释和可信赖的动力学模型、奖励函数和控制策略，并通过在基准控制环境和复杂流体问题上的实验表明其有效性。
- 字典学习改善机械解释性中无补丁电路发现：以奥赛罗 - GPT 为例
基于稀疏字典学习和机制解释性，提出了一种电路发现框架，用于从模型激活中提取更多人可理解的特征。该框架能够识别连接大量字典特征的电路，并在渐近复杂度方面具有更高的效率。在合成任务 Othello 的小型 Transformer 中，发现了许多 - 水平集 KSVD
我们提出了一种新的图像分割算法 - Level-set KSVD，它融合了稀疏字典学习用于特征提取和变分 Level-set 方法用于图像分割的方法。该模型的动机是基于农业的，旨在通过航拍图像检测不同作物中真菌的传播，我们将模型应用于棉田图 - SC-MIL: 稀疏编码多实例学习用于大规模图像分类
提出了一种稀疏编码多示例学习（SC-MIL）方法，通过利用稀疏字典学习，同时改善了特征嵌入和模型化实例之间的相关性，实验结果表明，该方法可以大幅提升最先进的多示例学习方法的性能。
- 稀疏字典学习的素描算法：PTAS 和转轴流式处理
通过新技术扩展基于草图的方法，开展了稀疏字典学习和欧氏 k-means 聚类问题的研究，在快速算法方面获得了对 $k$-means 聚类问题的新方法，并推广到稀疏字典学习问题。在流算法方面，得到了字典学习和 $k$-means 聚类的新上界 - ICCV深度非刚性结构运动
本文提出了一种基于深度神经网络的非刚性运动结构恢复方法，该方法在订单级别上表现出比所有现有技术更出色的精度和鲁棒性，能够处理规模和形状复杂度前所未有的问题，并提出了一种基于网络权重的质量度量来评估重建可信度。
- ICCV通过稀疏特征编码的无监督组重识别
本文提出了一种基于稀疏字典学习和转移单人重新识别知识到组重新识别的解决方案，利用邻近个体提供的相关视觉上下文信息，得到更健壮的匹配结果，成功地解决了组内重新识别的问题。
- 一种基于对称矩阵分解的在线稀疏字典学习的赫比 / 反赫比网络
通过对称矩阵因式分解的正则化误差，我们提出了一种新的代价函数，使得在线算法可以学习到 Gabor 滤波器感受野，同时使用仅限生物合理的局部学习规则，从而解决了 Olshausen 和 Field 所提出的算法中存在的生物学上不现实的非局部性 - 字典学习何时能从子采样中唯一恢复稀疏数据？
在本文中，我们提供了确定稀疏编码和字典唯一性的条件，并利用组合矩阵理论推导出保证其唯一性的采样大小的界限，从而使得任何对数据进行稀疏约束学习的算法能够成功地复原原始的稀疏编码和字典，并探讨了其在神经科学和数据分析方面的潜在应用。
- 结构化稀疏主成分分析
通过结构化稀疏主成分分析（Structured Sparse PCA）来处理数据，该方法通过拟定稀疏模式形状约束所有字典元素的稀疏性形状以实现对数据的高阶信息编码，提出了一种有效而简单的优化过程来解决这个问题，并在人脸识别和蛋白质复合物动态