成为VIP会员查看完整内容
VIP会员码认证
首页
主题
发现
会员
服务
注册
·
登录
表示学习
关注
176
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。
综合
百科
VIP
热门
动态
论文
精华
精品内容
面向链接预测的知识图谱表示学习方法综述
专知会员服务
33+阅读 · 8月12日
时间序列如何用自监督?浙大最新《自监督学习时间序列分析:分类、进展与展望》
专知会员服务
57+阅读 · 6月24日
【CMU博士论文】高效且可扩展的表示学习,152页pdf
专知会员服务
32+阅读 · 6月12日
【ETH博士论文】利用图上的全局信息进行机器学习,217页pdf
专知会员服务
48+阅读 · 5月26日
【ETH博士论文】为降维、不规则采样序列和图的表示学习,199页pdf
专知会员服务
32+阅读 · 5月25日
【牛津大学博士论文】基于变分自编码改进表示学习,170页pdf
专知会员服务
34+阅读 · 5月7日
【牛津大学博士论文】面向持续任务性能的表示学习,218页pdf
专知会员服务
32+阅读 · 4月1日
基于因果建模的强化学习控制: 现状及展望
专知会员服务
50+阅读 · 3月3日
【EMORY博士论文】几何数据的可解释和交互式表示学习,187页pdf
专知会员服务
32+阅读 · 3月3日
清华最新《解耦表征学习》综述
专知会员服务
55+阅读 · 2月23日
【剑桥大学博士论文】具有关系结构的元学习表示,221页pdf
专知会员服务
36+阅读 · 2月21日
【伯克利博士论文】数据与标签高效表示学习,114页pdf
专知会员服务
40+阅读 · 2月20日
【2023新书】机器学习中的表示学习,101页pdf
专知会员服务
101+阅读 · 2月3日
如何全面掌握图机器学习?西南财大最新《图学习》全面综述,涵盖 27页pdf448篇文献阐述图学习方法、应用与未来方向
专知会员服务
61+阅读 · 2022年12月21日
【MIT-Stefanie Jegelka】图神经网络理论:表示与学习,48页ppt,附视频与Slides
专知会员服务
27+阅读 · 2022年11月7日
参考链接
父主题
机器学习
数据挖掘
提示
微信扫码
咨询专知VIP会员与技术项目合作
(加微信请备注: "专知")
微信扫码咨询专知VIP会员
Top