会员服务
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。
Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning
Arxiv
0+阅读 · 11月15日
Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning
Arxiv
0+阅读 · 11月10日
MoReFun: Past-Movement Guided Motion Representation Learning for Future Motion Prediction and Understanding
Arxiv
0+阅读 · 11月18日
Improving Region Representation Learning from Urban Imagery with Noisy Long-Caption Supervision
Arxiv
0+阅读 · 11月10日
DANIEL: A Distributed and Scalable Approach for Global Representation Learning with EHR Applications
Arxiv
0+阅读 · 11月4日
Universal Spectral Tokenization via Self-Supervised Panchromatic Representation Learning
Arxiv
0+阅读 · 11月10日
Towards classification-based representation learning for place recognition on LiDAR scans
Arxiv
0+阅读 · 11月4日
GeoMAE: Masking Representation Learning for Spatio-Temporal Graph Forecasting with Missing Values
Arxiv
0+阅读 · 12月2日
Learning Fair Representations with Kolmogorov-Arnold Networks
Arxiv
0+阅读 · 11月18日
Learning Fair Representations with Kolmogorov-Arnold Networks
Arxiv
0+阅读 · 11月23日
Causal Structure and Representation Learning with Biomedical Applications
Arxiv
0+阅读 · 11月6日
Physically Interpretable World Models via Weakly Supervised Representation Learning
Arxiv
0+阅读 · 11月21日
MacroNav: Multi-Task Context Representation Learning Enables Efficient Navigation in Unknown Environments
Arxiv
0+阅读 · 11月6日
Sharpness-aware Second-order Latent Factor Model for High-dimensional and Incomplete Data
Arxiv
0+阅读 · 12月18日
Preserving Marker Specificity with Lightweight Channel-Independent Representation Learning
Arxiv
0+阅读 · 12月17日
参考链接
微信扫码咨询专知VIP会员
Top