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
181
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
【阿姆斯特丹博士论文】表格表示学习,179页pdf
专知会员服务
31+阅读 · 4月6日
【阿姆斯特丹博士论文】具结构不变性的表示学习,113页pdf
专知会员服务
20+阅读 · 3月5日
《通用时间序列表示学习》最新2024综述
专知会员服务
49+阅读 · 1月15日
【牛津大学博士论文】理解深度强化学习的表示学习,228页pdf
专知会员服务
52+阅读 · 1月6日
不同表征如何对齐?普林斯顿MIT谷歌等30位作者《表征对齐》综述,详述其框架
专知会员服务
46+阅读 · 2023年12月28日
【博士论文】无监督深度图聚类中的自适应表示学习,144页pdf
专知会员服务
35+阅读 · 2023年10月21日
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
39+阅读 · 2023年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
67+阅读 · 2023年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
35+阅读 · 2023年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
54+阅读 · 2023年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
38+阅读 · 2023年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
37+阅读 · 2023年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
34+阅读 · 2023年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
70+阅读 · 2023年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
35+阅读 · 2023年3月3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