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。

VIP内容

题目: Boosting algorithms in energy research: A systematic review

摘要:

机器学习算法由于其灵活性、自动化和处理大数据的能力,在(可再生)能源研究中得到了广泛的应用。在最著名的机器学习算法中,有一种是增强型算法,这种算法被称为“从愚人委员会中获取智慧”,从而将学习能力差的人转化为学习能力强的人。增强算法具有较高的灵活性和可解释性。后者是统计界最近发展的结果。在这项工作中,我们提供了关于助推算法的性质的理解,以便更好地利用它们在能源研究中的优势。在这方面,(a)我们在提高算法总结最新进展,(b)我们审查有关应用在能源研究与关注可再生能源(尤其是那些专注于风能和太阳能)组成总数的很大一部分,和(c)我们描述提高算法是如何实现的以及他们如何使用它们的属性有关。我们的研究表明,到目前为止,能源领域(可再生能源在其中发挥着关键作用)的巨大进步在解释和解释方面以及在预测性能方面都是可能的。

成为VIP会员查看完整内容
0
10

最新论文

Human pose estimation - the process of recognizing human keypoints in a given image - is one of the most important tasks in computer vision and has a wide range of applications including movement diagnostics, surveillance, or self-driving vehicle. The accuracy of human keypoint prediction is increasingly improved thanks to the burgeoning development of deep learning. Most existing methods solved human pose estimation by generating heatmaps in which the ith heatmap indicates the location confidence of the ith keypoint. In this paper, we introduce novel network structures referred to as multiresolution representation learning for human keypoint prediction. At different resolutions in the learning process, our networks branch off and use extra layers to learn heatmap generation. We firstly consider the architectures for generating the multiresolution heatmaps after obtaining the lowest-resolution feature maps. Our second approach allows learning during the process of feature extraction in which the heatmaps are generated at each resolution of the feature extractor. The first and second approaches are referred to as multi-resolution heatmap learning and multi-resolution feature map learning respectively. Our architectures are simple yet effective, achieving good performance. We conducted experiments on two common benchmarks for human pose estimation: MS-COCO and MPII dataset.

0
3
下载
预览
Top