会员服务
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。
GRACE: Generative Representation Learning via Contrastive Policy Optimization
Arxiv
0+阅读 · 10月6日
Conditional Representation Learning for Customized Tasks
Arxiv
0+阅读 · 10月6日
Disentangling Multiplex Spatial-Temporal Transition Graph Representation Learning for Socially Enhanced POI Recommendation
Arxiv
0+阅读 · 10月3日
GARLIC: GAussian Representation LearnIng for spaCe partitioning
Arxiv
0+阅读 · 10月2日
Efficient Fairness-Performance Pareto Front Computation
Arxiv
0+阅读 · 9月30日
PEARL: Performance-Enhanced Aggregated Representation Learning
Arxiv
0+阅读 · 9月29日
WavJEPA: Semantic learning unlocks robust audio foundation models for raw waveforms
Arxiv
0+阅读 · 9月27日
Event-based Facial Keypoint Alignment via Cross-Modal Fusion Attention and Self-Supervised Multi-Event Representation Learning
Arxiv
0+阅读 · 9月29日
Unsupervised Representation Learning for 3D Mesh Parameterization with Semantic and Visibility Objectives
Arxiv
0+阅读 · 9月29日
Channel, Trend and Periodic-Wise Representation Learning for Multivariate Long-term Time Series Forecasting
Arxiv
0+阅读 · 9月28日
VecCity: A Taxonomy-guided Library for Map Entity Representation Learning
Arxiv
0+阅读 · 5月7日
Dynamic Time-aware Continual User Representation Learning
Arxiv
0+阅读 · 4月23日
GRAVITY: A Controversial Graph Representation Learning for Vertex Classification
Arxiv
0+阅读 · 8月12日
Sanity Checking Causal Representation Learning on a Simple Real-World System
Arxiv
0+阅读 · 4月28日
SHuBERT: Self-Supervised Sign Language Representation Learning via Multi-Stream Cluster Prediction
Arxiv
0+阅读 · 7月2日
参考链接
父主题
机器学习
数据挖掘
微信扫码咨询专知VIP会员
Top