우리는 세 가지 볼록 함수의 합을 최소화하는 문제를 연구합니다. 즉, 고차원 설정에서 미분 가능, 1 배 미분 및 비평 활 항입니다. 이 효과를 위해 우리는 무작위 블록 입방 뉴턴 (RBCN) 방법을 제안하고 분석합니다.이 방법은 각 반복에서 세 가지 구성 요소의 자연 모델의 합으로 형성된 목적 함수의 모델을 구축합니다. 미분 할 수있는 항, 두 번 미분 할 수있는 항에 대해 1 차 정규화를 사용하는 1 차 모델, 비평 활 항에 대한 완벽한 (근위) 모델. 각 반복에서 우리의 방법은 검색 변수 블록의 무작위 하위 집합에 대해 모델을 최소화합니다. RBCN은 모든 특수한 경우에 가장 잘 알려진 경계와 일치하는 여러 기존 방법을 일반화하는 이러한 속성을 가진 첫 번째 알고리즘입니다. 구성 요소에 대한 다양한 가정하에 $ {cal O} (XNUMX / epsilon) $, $ {cal O} (XNUMX / sqrt {epsilon}) $ 및 $ {cal O} (log (XNUMX / epsilon)) $ 요율을 설정합니다. 기능. 마지막으로, 우리는 우리의 방법이 입방 정규화 된 최소 제곱, 제약이있는 로지스틱 회귀, 푸 아송 회귀를 포함하여 다양한 기계 학습 문제에서 최첨단을 능가한다는 것을 수치 적으로 보여줍니다. …
우리는 감독되지 않은 방식으로 고차원 데이터 간의 정렬을 자동으로 학습 할 수있는 모델을 제시합니다. 학습 정렬은 좋은 정렬을 정의하는 여러 가지 방법이 있기 때문에 제약이 심한 문제입니다. 우리가 제안한 방법은 정렬과 데이터가 동시에 모델링되는 프레임 워크에서 정렬 학습을 캐스팅합니다. 해석 가능한 제약 조건을 지정하는 수단을 제공하는 동시에 유연한 왜곡을 허용하는 비모수 적 사전에 구축 된 확률 모델을 도출합니다. 다양한 모션 캡처 시퀀스를 포함한 여러 데이터 세트에 대한 결과를 보여주고 제안 된 모델이 정렬 작업에 대한 기존 알고리즘 접근 방식을 능가한다는 것을 보여줍니다. …
MDNE (Multimodal Deep Network Embedding)
네트워크 임베딩은 노드 기능을 유지하면서 네트워크의 노드에 대한 저 차원 표현을 학습하는 프로세스입니다. 기존 연구는 네트워크 구조 정보 만 활용하고 구조적 특징을 보존하는 데 중점을 둡니다. 그러나 실제 네트워크의 노드에는 종종 추가 의미 정보를 제공하는 풍부한 속성 세트가 있습니다. 구조 및 속성 기능이 모두 네트워크 분석 작업에 중요하다는 것이 입증되었습니다. 두 가지 특성을 모두 보존하기 위해 구조 및 속성 정보를 통합하여 네트워크 임베딩을 수행하는 문제를 조사하고 MDNE (Multimodal Deep Network Embedding) 방법을 제안합니다. MDNE는 여러 계층의 비선형 함수로 구성된 심층 모델을 사용하여 비선형 네트워크 구조와 구조 및 속성 간의 복잡한 상호 작용을 캡처합니다. 구조와 속성은 서로 다른 두 가지 유형의 정보이므로 다중 모드 학습 방법을 채택하여이를 사전 처리하고 모델이 노드 구조와 속성 정보 간의 상관 관계를 더 잘 포착하도록 돕습니다. 우리는 손실 함수에서 구조적 근접성과 속성 근접성을 모두 사용하여 각 특징을 보존하고 손실 함수를 최소화하여 표현을 얻습니다. 네 가지 실제 데이터 세트에 대한 광범위한 실험 결과 제안 된 방법이 다양한 작업에 대한 기준선보다 훨씬 더 나은 성능을 발휘하는 것으로 나타 났으며 이는 방법의 효과와 일반성을 보여줍니다. …
컴퓨터와 지능형 에이전트는 주변 세계를 어떻게 봅니까? 특징 추출 및 표현은이 질문에 답하기위한 기본 구성 요소 중 하나입니다. 전통적으로 이것은 HOG, SIFT 또는 ORB와 같이 신중하게 제작 된 수작업 기술로 수행되었습니다. 그러나 모든 요구 사항을 충족하는 "하나의 크기"접근 방식은 없습니다. 최근 몇 년 동안 딥 러닝의 인기가 높아지면서 많은 컴퓨터 비전 문제에 대한 수많은 엔드 투 엔드 솔루션이 탄생했습니다. 이러한 접근 방식은 성공적이지만 확장 성이 부족하고 다른 시스템에서 습득 한 정보를 쉽게 악용 할 수 없습니다. 대신 계층 적 컨텍스트 정보를 제공 할 수있는 특징 추출을위한 전용 딥 러닝 솔루션 인 SAND 기능을 제안합니다. 이는 이미지 위치 간의 유사성 / 비 유사성 관계를 나타내는 희소 상대 레이블을 사용하여 달성됩니다. 이러한 레이블의 특성으로 인해 선택할 수있는 거의 무한한 이기종 예제가 생성됩니다. 학습 중에 부정적인 예를 선택하여 기능 공간을 수정하고 속성을 변경하는 방법을 보여줍니다. 이 접근 방식의 일반성을 입증하기 위해 제안 된 기능을 각각 다른 속성이 필요한 여러 작업에 적용합니다. 여기에는 불일치 추정, 의미 론적 세분화, 자체 현지화 및 SLAM이 포함됩니다. 모든 경우에 SAND 기능을 통합하면 추가 교육이 거의 또는 전혀 필요하지 않으면 서 기준선에 비해 더 우수하거나 유사한 결과를 얻을 수있는 방법을 보여줍니다. 코드는 다음에서 찾을 수 있습니다. https://…/SAND_features ...
출처 : https://analytixon.com/2020/09/17/if-you-did-not-already-know-1188/
