- ModSec-Learn: 提升 ModSecurity 的机器学习技术
通过提出一个使用核心规则集作为输入特征的机器学习模型,本文克服了 ModSecurity 对网络攻击的无效性,并证明 ModSec-Learn 在检测和误报率之间取得了明显更好的平衡,同时分析了稀疏正则化如何在推断时减少相关规则的数量。
- 可解释分布比较中的最大均值差异的变量选择
这篇研究论文研究了在两样本检验中的变量选择问题,基于最大平均差异(MMD)的两样本检验的能力,通过优化自适应相关检测(ARD)权重来确定引起两个分布差异的变量,提出了考虑稀疏正则化的两种方法以解决选择适当正则化参数的问题,并通过与基线方法的 - 深度学习:教程
通过使用深度学习方法对结构化的高维数据进行深入研究,我们得出一种预测规则,利用半仿射输入转换的层次结构生成一组属性或特征,然后应用概率统计方法,实现可伸缩的带有不确定性量化的预测规则,其中稀疏正则化找到了这些特征。
- $L_{2,1}$- 范数正则化四元数矩阵补全的稀疏表示和四元数 QR 分解
颜色图像完成是计算机视觉中的一个具有挑战性的问题,近期的研究表明,四元数表示的彩色图像在很多领域表现出色。我们提出一种基于四元数卡塔尔里亚尔分解(QQR)和四元数 L2,1 范数的方法,称为 QLNM-QQR。我们在 QLNM-QQR 方法 - 稀疏剪枝:朝着高效的视觉 Transformer
通过应用稀疏正则化和修剪方法于视觉转换器架构,研究了性能和效率之间的权衡,并发现正则化模型修剪相较于非正则化模型修剪可提高精度。
- 用于非线性偏微分方程的稀疏深度神经网络
本文通过使用深度神经网络结合稀疏规则化技术,针对非线性偏微分方程的解进行了数值研究,结果表明该方法在求解 Burgers 方程和 Schrödinger 方程时能够生成稀疏且准确的解。
- 网络修剪的剪枝感知稀疏正则化
本文提出了一种名为 MaskSparsity 的新型网络剪枝方法,使用有意义的稀疏正则化方法来选择特定滤波器,以获得更好的模型压缩效果,并在不损失模型准确性的情况下,在 Deep Learning 领域实现 63.03% 的 FLOP 降低 - ICCV通过稀疏正则化进行有噪标签学习
本文提出一种基于限制网络输出在固定向量置换集合上的稀疏正则化策略,旨在解决标签噪声存在时常用精度损失函数容易过拟合或欠拟合的问题,结果表明该方法在存在噪声标签和类不平衡情况下能够显著提高精度和优于现有方法。
- 学习无形:有限角度计算机断层成像的混合深度学习 - Shearlet 框架
本文提出一种将基于模型的稀疏正则化与数据驱动的深度学习相结合的混合重建框架,通过剪切波变换的分解,将可见和不可见分量分别处理,使神经网络只需要学习不可由基于模型方法处理的部分系数,提高了在有限角度计算机断层扫描中的重建性能。
- ICLR一次搜索即可:通过直接稀疏优化进行单射神经架构搜索
该论文提出了一种名为 DSO-NAS 的神经架构搜索方法,采用基于稀疏正则化的模型修剪视角,利用逐步引入稀疏网络的方法来解决搜索空间庞大且不连续的问题,在 CIFAR-10 数据集上达到了 2.84%的平均测试误差,在 ImageNet 数 - 利用变分信息瓶颈压缩神经网络
该论文研究了如何通过修剪神经元、信息瓶颈和稀疏正则化等方式来压缩神经网络模型,提高模型的精度和运行效率。在多个数据集和网络架构中展示了最先进的压缩率。
- 独立可解释的 Lasso:用于无相关变量的稀疏回归的新型正则化方法
本文提出了 “独立可解释 Lasso”(IILasso)方法,以压制选择相关变量,从而每个活跃变量都能独立地影响模型中的目标变量;该方法在回归系数的直观解释和避免过拟合方面都表现良好,在综合分析和数据分析中证实了 IILasso 的有效性。
- 基于网格的自编码器用于局部变形分量分析
本文提出了一种基于网格自编码器的架构,利用稀疏正则化与卷积运算在处理嘈杂数据和大规模形变的网格时提取局部形变成分,此框架提供了一种以非线性的方式进行基础网格重建的方法,实验表明该方法优于目前的线性组合方法
- 一种用于最小化三个凸可分函数和的原始对偶不动点算法
本文提出了一个用于解决图像处理和信号恢复问题的基于原始 - 对偶不动点的算法,用于处理涉及三个凸可分函数总和的最小化问题,证明了其收敛性,并通过在融合 LASSO 和带非负约束和稀疏正则化的图像恢复等例子中的应用展示了其效率。
- 凸稀疏谱聚类:从单视角到多视角
本文提出了基于稀疏正则化的稀疏谱聚类方法 (SSC),并提出了基于凸放射包络的凸 SSC 模型,使其可以高效地使用交替方向乘法更新。最后,我们将 SSC 扩展到多视角信息下,提出了成对稀疏谱聚类 (PSSC),并通过在多个真实数据集上进行实 - 基于稀疏表示的高光谱与多光谱图像融合
本文提出了一种基于变分的方法来融合高光谱和多光谱图像,该方法将融合过程表示为一个逆问题,并设计了一种稀疏正则化项。仿真结果表明,该算法相比于现有的融合方法更加高效。