![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 86
量子-Alex
这个作者很懒,什么都没留下…
展开
-
【多视图聚类】SMILE:Semantic Invariant Multi-view Clustering with Fully Incomplete Information
由于通常影响现实世界多视图应用的不完全对应和不完全实例等问题,具有不完全信息的鲁棒多视图学习受到了极大的关注。现有方法严重依赖配对样本来重新对齐或估算有缺陷的样本,但由于数据收集和传输的复杂性,这种先决条件在实践中并不总是得到满足。为了解决这个问题,我们提出了一个新的框架,称为语义不变性学习(SMILE),用于不完整信息的多视图聚类,不需要任何配对样本。具体来说,我们发现不同视图之间存在不变语义分布,这使得SMILE能够缓解跨视图差异,以学习共识语义,而不需要任何配对样本。原创 2024-06-10 01:32:19 · 603 阅读 · 0 评论 -
【因果推断】【Introduction to Causal Inference from a Machine Learning Perspective】从机器学习的角度介绍因果推断 第一章
考虑一个纯粹假设的未来,有一种被称为COVID-27的新疾病在人类中流行。在这个纯粹假设的未来,有两种治疗方法已经被开发出来:治疗A和治疗B。治疗B比治疗A更稀缺,因此目前接受治疗A和治疗B的比例大致为73%/27%。在一个只关心最大限度地减少生命损失的国家,你有责任选择你的国家将专门使用哪种治疗方法。你有死于COVID-27的人的百分比数据,考虑到他们被分配的治疗和他们在决定治疗时的状况。他们的病情是一个二元变量:轻度或重度。在这些数据中,16%接受A的人死亡,而19%接受B的人死亡。原创 2024-06-07 23:57:08 · 811 阅读 · 0 评论 -
【因果推断】【Introduction to Causal Inference from a Machine Learning Perspective】从机器学习的角度介绍因果推断 前言
统计学和机器学习的主题会不时出现在课程中,因此熟悉这些主题会有所帮助,但不是必需的。例如,如果交叉验证对你来说是一个新概念,你可以在书中出现的地方相对较快地学会它。正如你将看到的,这本书里的图表多得离谱。你可能在前面的章节中看到过,这样我们就可以确保这些图表总是在引用它们的文本旁边。在这本书的最终版本中会有完整的书目注释部分,但它们要到课程结束后才会出现。研究表明,记忆材料的最佳技巧之一是主动尝试回忆你最近学过的信息。原创 2024-06-07 22:40:05 · 251 阅读 · 0 评论 -
【多视图聚类】COMPLETER:Incomplete Multi-view Clustering via Contrastive Prediction
在本文中,我们研究了不完全多视图聚类分析中的两个具有挑战性的问题,即i)如何在没有标签的帮助下学习不同视图之间的信息性和一致性表示,以及ii)如何从数据中恢复缺失的视图。为此,我们提出了一个新的目标,从信息论的角度将表征学习和数据恢复结合到一个统一的框架中。具体来说,通过对比学习最大化不同视图之间的互信息来学习信息一致的表示,通过双重预测最小化不同视图的条件熵来恢复缺失的视图。据我们所知,这可能是第一个提供统一一致表示学习和交叉视图数据恢复的理论框架的工作。原创 2024-06-04 08:47:48 · 1093 阅读 · 1 评论 -
【对比学习】【论文翻译】Unsupervised Embedding Learning via Invariant and Spreading Instance Feature(InvaSpread)
研究了无监督嵌入学习问题,该问题需要在低维嵌入空间中有效地度量样本间的相似性。受从类别监督学习中观察到的正集中和负分离性质的激励,我们建议利用实例监督来近似这些性质,旨在学习数据扩充不变量和实例展开特征。为了实现这一目标,我们提出了一种新的基于实例的softmax嵌入方法,该方法在softmax函数的基础上直接优化“真实”实例特征。它实现了比所有现有方法明显更快的学习速度和更高的准确性。所提出的方法对于具有余弦相似性的可见和不可见测试类别都表现良好。原创 2024-05-29 11:51:46 · 606 阅读 · 0 评论 -
【对比学习】【论文翻译】Unsupervised Feature Learning via Non-Parametric Instance Discrimination
在带有注释类标签的数据上训练的神经网络分类器也可以捕捉类别之间明显的视觉相似性,而无需被指示这样做。我们研究这种观察是否可以扩展到监督学习的传统领域之外:我们是否可以通过仅仅要求特征区分单个实例来学习一个好的特征表示,该特征表示可以捕捉实例之间的明显相似性,而不是类?我们将这种直觉公式化为实例级的非参数分类问题,并使用噪声影响估计来解决大量实例类带来的计算挑战。我们的实验结果表明,在无监督学习设置下,我们的方法大大超过了ImageNet分类的最新水平。原创 2024-05-28 11:00:45 · 1025 阅读 · 0 评论 -
【对比学习】【论文翻译】Contrastive Multiview Coding
人类通过许多感官通道观察世界,例如,由左眼观察的长波长光通道,或由右耳听到的高频振动通道。每个视图都是嘈杂和不完整的,但重要的因素,如物理、几何和语义,往往在所有视图之间共享(例如,可以看到、听到和感觉到一只“狗”)。我们研究了一个经典的假设,即一个强大的表示是一个模型视图不变的因素。我们在多视图对比学习的框架下研究这一假设,在多视图对比学习的框架下,我们学习一种旨在最大化同一场景的不同视图之间的互信息的表示,但在其他方面是紧凑的。我们的方法可以扩展到任意数量的视图,并且是视图不可知的。原创 2024-04-30 20:42:13 · 704 阅读 · 0 评论