表示学习是通过利用训练数据来学习得到向量表示,这可以克服人工方法的局限性。 表示学习通常可分为两大类,无监督和有监督表示学习。大多数无监督表示学习方法利用自动编码器(如去噪自动编码器和稀疏自动编码器等)中的隐变量作为表示。 目前出现的变分自动编码器能够更好的容忍噪声和异常值。 然而,推断给定数据的潜在结构几乎是不可能的。 目前有一些近似推断的策略。 此外,一些无监督表示学习方法旨在近似某种特定的相似性度量。提出了一种无监督的相似性保持表示学习框架,该框架使用矩阵分解来保持成对的DTW相似性。 通过学习保持DTW的shaplets,即在转换后的空间中的欧式距离近似原始数据的真实DTW距离。有监督表示学习方法可以利用数据的标签信息,更好地捕获数据的语义结构。 孪生网络和三元组网络是目前两种比较流行的模型,它们的目标是最大化类别之间的距离并最小化了类别内部的距离。

精品内容

【AAAI2022】不确定性感知的多视角表示学习
专知会员服务
25+阅读 · 1月25日
自然语言处理中的文本表示研究
专知会员服务
41+阅读 · 1月10日
【WSDM2022】具有分层注意力的图嵌入
专知会员服务
24+阅读 · 2021年11月17日
面向知识图谱的图嵌入学习研究进展
专知会员服务
44+阅读 · 2021年11月3日
专知会员服务
31+阅读 · 2021年10月20日
专知会员服务
23+阅读 · 2021年9月9日
专知会员服务
27+阅读 · 2021年8月7日
专知会员服务
35+阅读 · 2021年8月2日
专知会员服务
29+阅读 · 2021年7月1日
参考链接
微信扫码咨询专知VIP会员