![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
对比学习
文章平均质量分 93
量子-Alex
这个作者很懒,什么都没留下…
展开
-
【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 · 1056 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 · 599 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 · 1022 阅读 · 0 评论