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。
Deep Learning within Tabular Data: Foundations, Challenges, Advances and Future Directions
Arxiv
0+阅读 · 1月7日
The Numerical Stability of Hyperbolic Representation Learning
Arxiv
0+阅读 · 2024年12月24日
Learning Chemical Reaction Representation with Reactant-Product Alignment
Arxiv
0+阅读 · 1月3日
Hierarchical Banzhaf Interaction for General Video-Language Representation Learning
Arxiv
0+阅读 · 2024年12月30日
RealMind: Advancing Visual Decoding and Language Interaction via EEG Signals
Arxiv
0+阅读 · 2024年12月30日
CureGraph: Contrastive Multi-Modal Graph Representation Learning for Urban Living Circle Health Profiling and Prediction
Arxiv
0+阅读 · 1月13日
Causal Flow-based Variational Auto-Encoder for Disentangled Causal Representation Learning
Arxiv
0+阅读 · 2024年12月30日
Learning Disentangled Speech Representations
Arxiv
0+阅读 · 1月11日
Learning Disentangled Speech Representations
Arxiv
0+阅读 · 1月9日
Data-Driven Self-Supervised Graph Representation Learning
Arxiv
0+阅读 · 2024年12月24日
NVS-SQA: Exploring Self-Supervised Quality Representation Learning for Neurally Synthesized Scenes without References
Arxiv
0+阅读 · 1月11日
Bird Vocalization Embedding Extraction Using Self-Supervised Disentangled Representation Learning
Arxiv
0+阅读 · 2024年12月28日
Scam Detection for Ethereum Smart Contracts: Leveraging Graph Representation Learning for Secure Blockchain
Arxiv
0+阅读 · 1月12日
Scam Detection for Ethereum Smart Contracts: Leveraging Graph Representation Learning for Secure Blockchain
Arxiv
0+阅读 · 1月7日
Localization-Aware Multi-Scale Representation Learning for Repetitive Action Counting
Arxiv
0+阅读 · 1月13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