会员服务
在机器学习中，表征学习或表示学习是允许系统从原始数据中自动发现特征检测或分类所需的表示的一组技术。这取代了手动特征工程，并允许机器学习特征并使用它们执行特定任务。在有监督的表征学习中，使用标记的输入数据来学习特征，包括监督神经网络，多层感知器和（监督）字典学习。在无监督表征学习中，特征是与未标记的输入数据一起学习的，包括字典学习，独立成分分析，自动编码器，矩阵分解和各种形式的聚类。
Beyond Predictive Uncertainty: Reliable Representation Learning with Structural Constraints
Arxiv
0+阅读 · 2月19日
CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis
Arxiv
0+阅读 · 2月17日
UrbanVerse: Learning Urban Region Representation Across Cities and Tasks
Arxiv
0+阅读 · 2月17日
Learning Brain Representation with Hierarchical Visual Embeddings
Arxiv
0+阅读 · 2月7日
Cross-Camera Cow Identification via Disentangled Representation Learning
Arxiv
0+阅读 · 2月7日
Towards Uniformity and Alignment for Multimodal Representation Learning
Arxiv
0+阅读 · 2月10日
EEG-to-Gait Decoding via Phase-Aware Representation Learning
Arxiv
0+阅读 · 2月12日
Geospatial Representation Learning: A Survey from Deep Learning to The LLM Era
Arxiv
0+阅读 · 2月11日
A Disentangled Representation Learning Framework for Low-altitude Network Coverage Prediction
Arxiv
0+阅读 · 2月14日
VariViT: A Vision Transformer for Variable Image Sizes
Arxiv
0+阅读 · 2月16日
How Do Decoder-Only LLMs Perceive Users? Rethinking Attention Masking for User Representation Learning
Arxiv
0+阅读 · 2月11日
Self-Supervised Video Representation Learning in a Heuristic Decoupled Perspective
Arxiv
0+阅读 · 2月6日
Comparing Task-Agnostic Embedding Models for Tabular Data
Arxiv
0+阅读 · 2月4日
Object-Centric Representation Learning for Enhanced 3D Scene Graph Prediction
Arxiv
0+阅读 · 2月2日
Causality Guided Representation Learning for Cross-Style Hate Speech Detection
Arxiv
0+阅读 · 2月3日
参考链接
微信扫码咨询专知VIP会员
Top