Latent Semantics Encoding for Label Distribution Learning 论文笔记

原创 已于 2023-02-08 16:25:09 修改 · 244 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#论文阅读

于 2023-02-08 16:24:41 首次发布
LSE-LDL是一种标签分布学习方法，通过潜在语义编码进行特征选择，减少噪声影响。该方法在编码的语义空间与标签空间之间保持局部几何结构一致，使用KL散度作为损失函数，并结合正则化来优化模型。其目的是提高分类学习任务的泛化性能。

动机和思想

动机

1，大多数实际分类学习任务中存在不相关和冗余特征；
2，数据采集中的噪声会对LDL算法的泛化性能产生负面影响。

主要思想

标签分布学习的潜在语义编码（LSE-LDL），它在潜在语义的指导下学习标签分布并同时实现特征选择。
具体地说，为了减轻噪声干扰，我们寻求并编码有区别的原始物理/化学特征到高级潜在语义特征，然后通过经验风险最小化构建从编码的语义空间到标签空间的映射。

创新点

  1. 潜在语义编码：对原始样本矩阵 XXX 进行特征选择得到新的样本矩阵 ZZZ。
  2. 潜在语义特征空间 ZZZ 和标签空间 YYY 之间的局部几何结构应该是一致的。也就是说，如果两个实例 xix_ix
最低0.47元/天 解锁文章
A Survey on Deep Learning Techniques Applied to medical image analysis
AI天才研究院
08-13 662
作者：禅与计算机程序设计艺术 Introduction:Deep learning techniques have recently gained popularity in medical image analysis because they are capable of accurately identifying disease markers without relying on human intervention, enabling better decision-making and tre
【ECCV2020】完整论文集part2
TomRen
07-18 8005
ECCV2020 接收论文完整列表 看论文学CV
噪声标签学习 (Noise Label Learning)
gaesarGatt的博客
12-08 4000
噪声标签学习（Noise Label Learning，NLL）是指在训练机器学习模型时，标签数据存在误标或噪声（如错误的标签），导致模型的训练受到影响的问题。噪声标签问题通常出现在实际应用中，例如在大规模数据集或标注成本高昂的情况下，人工标注可能存在错误或不一致，造成标签噪声。噪声标签学习的目标是设计有效的算法，使得模型在面对标签噪声时，依然能够学习到有用的知识，并提高模型的鲁棒性。
Collaborative Learning of Label Semantics and Deep Label-Specific Features for MLC
weixin_44261106的博客
02-13 887
Collaborative Learning of Label Semantic and Deep Label-Specific Features for Multi-Label Classification笔记整理 首先这篇文章的介绍按照8部Idea总结法来进行阅读，培养自己的逻辑思维能力 背景 这篇论文的背景是Label-specific feature的方法来解决传统的多标签问题。其所用的数据集不是MS-COCO这种纯图片数据，而是MULAN这种Text数据。 一个具体的研究问题 大部分解决多标签的方
[Towards Interpretable Deep Learning] Concept-based Models
Rad1ant_up的博客
12-18 2611
[可解释深度学习] Concept-based models论文阅读笔记
《Toward Multi-Modal Approach for Identification and Detection of Cyberbullying in Social Networks》
buyaotutou的博客
07-26 926
鉴于社交网络在人们日常生活中的广泛使用，网络欺凌已成为一个主要威胁，尤其影响到这些平台上的年轻用户。这件事引起了社会的极大忧虑。先前的研究主要集中在分析与网络欺凌有关的文本。然而，网络欺凌的动态性涵盖了许多目标，通信平台和表现形式。传统的文本分析方法在处理社交网络中看到的广泛的欺凌数据时是无效的。为了解决这个难题，我们建议的多模态检测方法集成了来自不同来源的数据，包括照片，视频，评论和来自社交网络的时间信息。除了文本数据，我们的方法采用分层注意力网络记录会话功能和编码各种媒体信息。
Gan-based zero-shot learning 论文整理
anlaiji6783的博客
08-23 601
1 Feature Generating Networks for Zero-Shot Learning Suffering from the extreme training data imbalance between seen and unseen classes, most ofexisting state-of-the- art approaches fail to achi...
【ECCV2020】接收论文列表part1
TomRen
07-18 7337
ECCV2020 接收论文完整列表 看论文学CV
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
CVPR2019论文汇总
qq_42635561的博客
09-23 3747
CVPR2019论文汇总 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning Generating Classification Weights With GNN Deno...
ICLR 2014 International Conference on Learning Representations深度学习论文papers
GarfieldEr007的专栏
03-29 5785
ICLR 2014 International Conference on Learning Representations Apr 14 - 16, 2014, Banff, Canada   Workshop Track Submitted Papers Stochastic Gradient Estima
【AFDM与信号处理：论文阅读】仿射频分复用：扩展OFDM以实现场景灵活性和弹性
Cuby的博客
12-17 886
论文《Affine Frequency Division Multiplexing: Extending OFDM for Scenario-Flexibility and Resilience》探讨了一种新型多载波波形AFDM，旨在解决高速移动场景下的通信挑战。
[论文阅读]AttnTrace: Attention-based Context Traceback for Long-Context LLMs
m0_52911108的博客
12-19 725
阅后总结先前的事后归因方案的问题在于慢、不稳定、易受干扰或者如果多内容共同导致输出就无法有效归因。作者的想法是使用注意力权重实现溯源，利用的是LLM内部产生的注意力权重可以用来衡量每个上下文对生成结果的贡献。同时作者注意到单纯使用注意力仍存在问题：注意力会集中在少数token上，比如句号、特殊符号，但是这些token并不是真正重要的语义来源，也就是说对所有token平均注意力权重会稀释掉注意力信号；
【论文阅读】Ovi: Twin Backbone Cross-Modal Fusion for Audio-Video Generatio
weixin_57974242的博客
12-19 972
问题：为什么“一次性联合生成”这么难？现有开源方法多数是“先固定一个模态、再生成另一个模态”，靠后处理或额外对齐模块。但真实内容要求：口型必须同步、动作与音效必须同步、音乐节奏要贴场景变化。而真正大规模、开源、方法透明的“一次性联合音视生成”基本空缺（点名 Veo3 但闭源）。因此提出 Ovi：单次生成同时出视频+音频，并把同步当成模型内部学习出来的能力。
【论文阅读24】-利用大型语言模型进行免训练的视频异常检测
Ma040713的博客
12-16 842
单看一帧画面很难判断是不是异常（比如一个人在跑，是在晨练还是在逃命？
论文笔记（一百一十二）Pos3R: 6D Pose Estimation for Unseen Objects Made Easy
xzs1210652636的博客
12-21 497
Pos3R: 基于3D基础模型的零样本6D位姿估计方法 本文提出Pos3R，一种无需训练的6D物体位姿估计方法，通过利用3D重建基础模型（如MASt3R）解决传统2D方法在平面外旋转下的性能瓶颈。该方法采用两阶段流程：1）使用3D模型生成多视角模板并提取三维一致性特征；2）通过特征匹配和PnP计算最终位姿。实验表明，Pos3R在BOP基准测试中达到与现有方法相当的性能，尤其在处理未见物体时展现优势。此外，该方法可无缝集成"渲染-对比"精化技术，适用于高精度应用场景。核心创新在于利用3D模
PbRL | 近两年论文阅读的不完全总结
shiwulou1的博客
12-17 846
然而，noisy label 对 rune 来说是，尤其致命：如果 reward model 在某些 (s,a) 上 uncertainty 很大，并非因为 reward model 对这些行为了解不足，而是人类本身难以判断这些行为的好坏（例如处于人类偏好边界、无法明确区分好坏），那么，即使 agent 充分探索这些行为，其 reward model 的方差也不会降低；或许，对于数据集里的轨迹，我们可以将其切分 / 填充，保证每个分段的长度为 K，制造一个统一的 horizon。
论文阅读笔记：Class-Incremental Learning: A Survey
HollowKnightz的博客
12-17 616
论文阅读笔记：Class-Incremental Learning: A Survey
十二月第三周周报（论文阅读）
最新发布
m0_62847106的博客
12-21 860
本研究探讨了气候变化导致的水资源不足的影响，以及发电中的工业增长。它利用全球环流模式(GCMs)预测未来的气候变化，并利用标准化降水指数(SPI)确定干旱的严重程度。ISSA和CNN与他一起建模并预测水库容量随时间的变化。因此，在不断变化的气候条件下，可持续的水电规划将得以实现。它预测，从2025年到2035年，水文变率肯定会增加，因为与2003年至2023年的基准期相比，干旱的发生和严重程度将会增加。预计SPI值将达到<-1.5，这将表。
CLAM: Continuous Latent Action Models for Robot Learning from Unlabeled Demonstrations
08-16
CLAM（Continuous Latent Action Models）是一种用于机器人学习的深度学习框架，特别适用于从无标签演示中学习连续动作空间的潜在表示。它通过将高维感官输入（如图像）映射到低维潜在动作空间，并在该空间中进行...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值