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。
RECTOR: Masked Region-Channel-Temporal Modeling for Affective and Cognitive Representation Learning
Arxiv
0+阅读 · 6月13日
DiverseDiT: Towards Diverse Representation Learning in Diffusion Transformers
Arxiv
0+阅读 · 6月15日
Momentum-Guided Semantic Forecasting (MoFore) for Self-Supervised Video Representation Learning
Arxiv
0+阅读 · 6月8日
You Don't Need Strong Assumptions: Visual Representation Learning via Temporal Differences
Arxiv
0+阅读 · 6月14日
Inference-Time Decision Calibration for Temporal Classification
Arxiv
0+阅读 · 6月14日
Calibrated Multimodal Representation Learning with Missing Modalities
Arxiv
0+阅读 · 5月12日
Environment-Robust Representation Learning with Empirical Bayes
Arxiv
0+阅读 · 6月3日
Neuronal Stochastic Attention Circuit (NSAC) for Probabilistic Representation Learning
Arxiv
0+阅读 · 5月25日
From Trajectories to Phenotypes: Disease Progression as Structural Priors for Multi-organ Imaging Representation Learning
Arxiv
0+阅读 · 5月12日
Bridging Short Videos and Live Streams: Reasoning-Guided Multimodal LLMs for Cross-Domain Representation Learning
Arxiv
0+阅读 · 6月3日
Scaling Laws and Spectra of Shallow Neural Networks in the Feature Learning Regime
Arxiv
0+阅读 · 6月4日
Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap
Arxiv
0+阅读 · 4月1日
Information-Theoretic Measures in AI: A Practical Decision Guide
Arxiv
0+阅读 · 4月26日
Multi-modal Relational Item Representation Learning for Inferring Substitutable and Complementary Items
Arxiv
0+阅读 · 5月4日
xRFM: Accurate, scalable, and interpretable feature learning models for tabular data
Arxiv
0+阅读 · 4月5日
参考链接
微信扫码咨询专知VIP会员
Top