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
https://www.zhuanzhi.ai/paper/f89bf5e9ab6b630c51edddff406566f4
推荐系统在web应用中扮演着过滤大量信息和匹配用户兴趣的基础角色。虽然许多人致力于开发各种场景下更有效的模型，但对于推荐系统可解释性的探索却处于滞后状态。解释可以帮助改善用户体验和发现系统缺陷。本文在正式引入与模型可解释性相关的要素后，通过提高表示学习过程的透明度，提出了一种新的可解释推荐模型。具体地说，为了克服传统模型中的表示纠缠问题，我们修改了传统的图卷积来区分不同层次的信息。此外，每个表示向量被分解为若干段，其中每个段与数据中的一个语义方面相关。与之前的工作不同，在我们的模型中，因子发现和表示学习同时进行，我们能够处理额外的属性信息和知识。通过这种方式，该模型可以学习对用户和项的可解释和有意义的表示。与传统方法需要在可解释性和有效性之间进行权衡不同，我们所提出的可解释模型在考虑了可解释性后，其性能没有受到负面影响。最后，通过综合实验验证了模型的性能和解释的可信度。
成为VIP会员查看完整内容
Explainable Recommender Systems via Resolving Learning Representations
热门内容
最新内容
We present a novel generalized zero-shot algorithm to recognize perceived emotions from gestures. Our task is to map gestures to novel emotion categories not encountered in training. We introduce an adversarial, autoencoder-based representation learning that correlates 3D motion-captured gesture sequence with the vectorized representation of the natural-language perceived emotion terms using word2vec embeddings. The language-semantic embedding provides a representation of the emotion label space, and we leverage this underlying distribution to map the gesture-sequences to the appropriate categorical emotion labels. We train our method using a combination of gestures annotated with known emotion terms and gestures not annotated with any emotions. We evaluate our method on the MPI Emotional Body Expressions Database (EBEDB) and obtain an accuracy of $58.43\%$. This improves the performance of current state-of-the-art algorithms for generalized zero-shot learning by $25$--$27\%$ on the absolute.
最新论文
We present a novel generalized zero-shot algorithm to recognize perceived emotions from gestures. Our task is to map gestures to novel emotion categories not encountered in training. We introduce an adversarial, autoencoder-based representation learning that correlates 3D motion-captured gesture sequence with the vectorized representation of the natural-language perceived emotion terms using word2vec embeddings. The language-semantic embedding provides a representation of the emotion label space, and we leverage this underlying distribution to map the gesture-sequences to the appropriate categorical emotion labels. We train our method using a combination of gestures annotated with known emotion terms and gestures not annotated with any emotions. We evaluate our method on the MPI Emotional Body Expressions Database (EBEDB) and obtain an accuracy of $58.43\%$. This improves the performance of current state-of-the-art algorithms for generalized zero-shot learning by $25$--$27\%$ on the absolute.
