检索结果-内蒙古大学图书馆

自动化学报 2022年第2期48卷 351-374页

作者：文载道王佳蕊王小旭潘泉西北工业大学自动化学院西安710129 信息融合技术教育部重点实验室西安710129

在大数据时代下,以高效自主隐式特征提取能力闻名的深度学习引发了新一代人工智能的热潮,然而其背后黑箱不可解释的“捷径学习”现象成为制约其进一步发展的关键性瓶颈问题.解耦表征学习通过探索大数据内部蕴含的物理机制和逻辑关系复杂... 详细信息

在大数据时代下,以高效自主隐式特征提取能力闻名的深度学习引发了新一代人工智能的热潮,然而其背后黑箱不可解释的“捷径学习”现象成为制约其进一步发展的关键性瓶颈问题.解耦表征学习通过探索大数据内部蕴含的物理机制和逻辑关系复杂性,从数据生成的角度解耦数据内部多层次、多尺度的潜在生成因子,促使深度网络模型学会像人类一样对数据进行自主智能感知,逐渐成为新一代基于复杂性的可解释深度学习领域内重要研究方向,具有重大的理论意义和应用价值.本文系统地综述了解耦表征学习的研究进展,对当前解耦表征学习中的关键技术及典型方法进行了分类阐述,分析并汇总了现有各类算法的适用场景并对此进行了可视化实验性能展示,最后指明了解耦表征学习今后的发展趋势以及未来值得研究的方向.

关键词：深度学习捷径学习潜在生成因子智能感知解耦表征学习

来源：评论

学校读者我要写书评

暂无评论

解耦表征学习视角下认知图像属性特征的图像生成方法

引用

模式识别与人工智能 2024年第7期37卷 638-651页

作者：蔡江海黄成泉王顺霞罗森艳杨贵燕周丽华贵州民族大学贵州省模式识别与智能系统重点实验室贵阳550025 贵州民族大学数据科学与信息工程学院贵阳550025 贵州民族大学工程技术人才实践训练中心贵阳550025

在生成式人工智能领域,解耦表征学习的研究进一步推动图像生成方法的发展,但现有的解耦方法更多地关注图像生成的低维表示,忽略目标变化图像内在的可解释因素,导致生成的图像容易受到其它不相关属性特征的影响.为此,文中提出解耦表征学... 详细信息

在生成式人工智能领域,解耦表征学习的研究进一步推动图像生成方法的发展,但现有的解耦方法更多地关注图像生成的低维表示,忽略目标变化图像内在的可解释因素,导致生成的图像容易受到其它不相关属性特征的影响.为此,文中提出解耦表征学习视角下认知图像属性特征的图像生成方法.首先,从生成模型的潜在空间出发,通过训练获得关于目标变化图像的候选遍历方向.然后,构建无监督语义分解策略,并基于候选遍历的方向联合发现嵌入在潜在空间中的可解释方向.最后,利用解耦编码器和对比学习构建对比模拟器和变化空间,进而由可解释方向提取目标变化图像的解耦表征并生成图像.在5个解耦数据集上的实验表明文中方法性能较优.

关键词：解耦表征学习潜在空间可解释方向图像生成变化空间

来源：评论

学校读者我要写书评

暂无评论

解耦表征学习地震相分析方法

解耦表征学习地震相分析方法

引用

作者：杨军辉电子科技大学

学位级别：硕士

地震相分析是油气地震勘探中的关键地震信号分析技术。这种技术基于对地震反射数据的分析,提供对油气储层分布和沉积相的有意义的解释。随着计算机软硬件水平的提高,一系列有监督和无监督地震相分析方法应运而生。同时,包含更为丰富的... 详细信息

地震相分析是油气地震勘探中的关键地震信号分析技术。这种技术基于对地震反射数据的分析,提供对油气储层分布和沉积相的有意义的解释。随着计算机软硬件水平的提高,一系列有监督和无监督地震相分析方法应运而生。同时,包含更为丰富的岩性、孔隙度及各向异性等信息的叠前地震数据也逐渐开始成为地震相分析数据的主流。目前的主流地震相分析方法主要聚焦于地震数据的全特征提取与特征聚类上,但是这些分析方法普遍存在提取的特征缺乏明确的物理意义、缺乏深度属性可解释性及受地震数据复杂耦合的物理属性影响导致的分析结果准确性、可靠性不足的问题。为解决上述现有地震相分析技术存在的问题,本文基于解耦表征学习,从叠前地震数据解耦深度属性提取与先验知识引导的深度域约束属性解耦两个方面展开研究,主要研究工作与创新点如下: 1.提出地震数据解耦深度属性提取算法——交换组解耦自编码网络(Swap group disentangled network,SGD)。为实现复杂地震数据中物理属性的解耦与分离,本文将解耦表征学习思想引入地震数据的属性提取过程中,利用组监督思想,通过输入一组存在不同物理属性耦合关系的地震数据以实现在模型的深度域的属性解耦。同时,本文将解耦表征学习算法与深度特征提取算法结合,使深度域提取到的深度属性具有表征实际物理含义的能力。通过合成数据与实际工区数据的无监督聚类验证,本算法实现了预期目标,提高了地震相分析的可解释性与准确性。 2.提出先验知识引导的深度域约束解耦地震相分析算法——深度域回归约束解耦网络(Deep domain regression constrained disentangling network,DRD)。为充分利用地震数据中蕴含的大量先验信息,实现更为精确复杂的地震数据属性的解耦,本文将地震先验知识、地震相分析方法与解耦表征学习相结合,利用地震数据中的数据知识先验,实现了在深度域复杂的地震数据序列信息表征。同时,考虑到地震数据的数据特点,本文使用动态时间扭曲损失作为深度域的损失计算函数,实现了先验信息形态特征与能量特征的可靠约束。通过合成数据与实际工区数据的实验,本算法实现了预期目标,为复杂地层地震相分析提供了新的思路与方法。

关键词：地震相分析地震反射模式分析解耦表征学习深度学习

来源：评论

学校读者我要写书评

暂无评论

基于解耦表征学习的生成式视觉图像理解

引用

计算机辅助设计与图形学学报 2024年

作者：蔡江海黄成泉王顺霞杨贵燕罗森艳周丽华贵州省模式识别与智能系统重点实验室贵州民族大学数据科学与信息工程学院贵州民族大学工程技术人才实践训练中心

学习可解释的视觉图像表征以揭示图像变化因素是计算机视觉领域的研究热点. 现有的许多解耦方法通过使用额外的正则项发现图像变化因素并学习解耦表征，但通常导致解耦和生成质量之间的不平衡，影响视觉图像理解效果. 为此，从图像... 详细信息

学习可解释的视觉图像表征以揭示图像变化因素是计算机视觉领域的研究热点. 现有的许多解耦方法通过使用额外的正则项发现图像变化因素并学习解耦表征，但通常导致解耦和生成质量之间的不平衡，影响视觉图像理解效果. 为此，从图像的可解释性变化出发，提出基于解耦表征学习的生成式视觉图像理解方法. 首先设计预先训练的Glow生成模型，获取目标图像的潜在表征; 然后由潜在表征构建基于图像变化的学习策略，得到候选遍历的可解释方向; 最后在对比学习视角下设计对比模块，根据候选遍历的可解释方向模拟图像变化，进而提取解耦表征. 在解耦领域流行的数据集Shapes3D， MPI3D， Anime， MNIST和Cars3D上的实验结果表明，所提方法取得较好的效果，其中，在Cars3D数据集上的MIG， DCI， FactorVAE score和β-VAE score指标值分别达到0.16， 0.27， 0.89和0.98，验证了该方法的有效性和可行性.

关键词：解耦表征学习可解释方向图像生成对比学习

来源：评论

学校读者我要写书评

暂无评论

基于解耦表征学习与图注意力的Web服务推荐方法研究

基于解耦表征学习与图注意力的Web服务推荐方法研究

引用

作者：黄盈大连海事大学

学位级别：硕士

随着Web服务的数量呈爆发式增长,如何从海量服务中为用户推荐符合其偏好或需求的Web服务成为了一个亟需解决的问题。利用图神经网络获取用户和服务的高阶特征进行服务推荐的方法,与基于协同过滤和基于内容的Web服务推荐方法相比,在准确... 详细信息

随着Web服务的数量呈爆发式增长,如何从海量服务中为用户推荐符合其偏好或需求的Web服务成为了一个亟需解决的问题。利用图神经网络获取用户和服务的高阶特征进行服务推荐的方法,与基于协同过滤和基于内容的Web服务推荐方法相比,在准确率等评价指标上取得了更好的效果,成为Web服务推荐领域当前的研究热点。但目前的方法主要从局部视角下研究用户与服务之间的调用关系,忽略了全局视角下不同用户之间、不用服务之间的共现关系,限制了用户与服务特征的语义表达,因此推荐的准确性仍待提高,并且没有针对模型提取的高阶特征做出可解释性研究,使得特征表达缺乏鲁棒性,限制了推荐模型的泛化能力。本文在对BERT、CNN、Bi-LSTM、解耦表征学习方法、图注意力网络模型和BPR贝叶斯个性化排序算法等技术进行分析研究的基础上,对基于解耦表征学习与图注意力网络的Web服务推荐方法进行了深入的研究。首先,提出了基于神经网络模型的服务文本特征提取方法,该方法采用BERT模型分别提取服务名称和服务描述文本的初步嵌入表示,并结合2-D CNN和Bi-LSTM进一步提取服务描述的局部和全局特征表示,充分利用服务数据中的文本信息,提高Web服务推荐的准确率。其次,提出了基于解耦表征学习的用户与服务调用关系特征提取方法,该方法在从局部视角下构建用户与服务之间的调用关系图的基础上,采用解耦表征学习分别提取用户和服务的高阶调用关系特征,提高了特征提取模型的可解释性和鲁棒性。然后,提出了基于图注意力网络的用户与服务共现关系特征提取方法,该方法将共现频率作为图中边的权值构建用户与服务的共现关系图,运用图注意力网络分别抽取用户和服务的共现关系特征,进一步提高推荐的准确性。接下来,提出了基于改进BPR算法的Web服务推荐方法,该方法通过在损失函数上加入解耦正则化项对BPR算法进行改进,以最大化潜在因素与解耦表征之间的互信息,并采用改进的BPR算法生成Top-N服务推荐列表。最后,为验证模型的有效性,在真实数据集上进行了多组实验,实验结果表明本文提出的Web服务推荐方法与多个先进的推荐方法相比,在准确率、召回率、F1值和NDCG值评价指标上均表现出更好的性能。

关键词： Web服务推荐解耦表征学习图注意力网络调用关系特征共现关系特征

来源：评论

学校读者我要写书评

暂无评论

基于解耦表征学习的广义零样本图像分类

基于解耦表征学习的广义零样本图像分类

引用

作者：张志远中原工学院

学位级别：硕士

随着计算机硬件设备以及计算能力的不断提升,图像分类技术得到了更深层次、更广泛的应用。传统的图像分类模型往往依赖大规模和强标记的训练数据。然而随着越来越多新类别的出现,在现实生活中收集大量带有标签的样本数据不仅十分困难,... 详细信息

随着计算机硬件设备以及计算能力的不断提升,图像分类技术得到了更深层次、更广泛的应用。传统的图像分类模型往往依赖大规模和强标记的训练数据。然而随着越来越多新类别的出现,在现实生活中收集大量带有标签的样本数据不仅十分困难,而且往往会耗费过多的成本。零样本图像分类的出现有效改善了传统图像分类技术的不足,它通过训练可见类样本,利用相关的辅助信息(如语义特征或词向量)将知识从可见类迁移至不可见类,从而预测不可见类样本的类别标签。但传统零样本图像分类的测试集只包括不可见类,这一点不能反映真实的场景。广义零样本图像分类是一项更具挑战性的任务,它的测试集是可见类与不可见类的集合。针对当前广义零样本图像分类存在的冗余信息问题、跨数据集偏差问题以及领域偏移问题,本文结合解耦表征学习方法和生成模型进行研究,并且从单一模态解耦和跨模态解耦两个方面考虑特征的解耦表示,提出了两种基于解耦表征学习的广义零样本图像分类模型,主要做了如下的研究工作:(1)为缓解冗余信息问题和跨数据集偏差问题,本文从视觉模态来考虑特征的解耦表示,提出了视觉特征对比解耦的广义零样本图像分类模型。具体来说,首先将视觉特征输入到条件变分自动编码器来生成不可见类的视觉特征,再使用两个不同的解耦编码器将视觉特征编码为潜层信息并解耦为语义相关和语义无关的潜层表示,同时添加总相关惩罚和对比损失来鼓励二者间的相互独立,并用语义关系匹配模型衡量其语义一致性。然后,再将分解过的潜层表示交叉融合,输入到解码器重构图像。除此之外,这里还设计了一个特征细化模块来去除原始特征中的冗余信息,从而减轻跨数据集偏差对分类的影响。最后使用特征细化模块细化后的特征和语义相关表示联合学习一个广义零样本图像分类器。(2)为缓解冗余信息问题和领域偏移问题,本文从视觉和语义两个模态来考虑特征的解耦表示,提出了跨模态对齐解耦的广义零样本图像分类模型。具体来说,首先将视觉特征输入到条件变分自动编码器来生成不可见类的视觉特征,随后将视觉特征和语义特征通过对齐解耦模块分解为分类相关特征和分类无关特征,采用总相关惩罚来保证两个表示之间的独立性,并通过属性比较器来衡量其语义一致性。在此过程中。通过添加跨模态交叉重构损失和视觉-语义分布对齐损失来分别显式和隐式地对齐潜层表示。此外,这里采用潜层表示对齐方法通过辅助分类器的引导来加强跨模态潜层表示的对齐。最后使用对齐解耦模块分解出的分类相关特征联合学习一个广义零样本图像分类器。本文在AWA2、CUB、SUN和FLO四个广泛使用的公开数据集上进行实验,并与近两年较为先进的广义零样本图像分类模型进行对比,结果表明本文提出的模型在四个数据集上均取得较优的结果,证明了所提模型的有效性。此外,这里通过可视化分析和零样本检索进一步证明所提解耦方法的有效性。

关键词：图像分类零样本学习广义零样本学习解耦表征学习变分自编码器

来源：评论

学校读者我要写书评

暂无评论

部分监督与可控监督解耦表征学习方法研究

部分监督与可控监督解耦表征学习方法研究

引用

作者：阮智辉华南理工大学

学位级别：硕士

解耦表征学习对于生成模型的可解释性而言具有重要意义。当前主流解耦表征学习方法依据监督方式的不同,可分为监督解耦表征学习和无监督解耦表征学习。监督解耦表征学习依赖给定监督信息,提取监督信息相关特征,得到的监督无关信息中仍... 详细信息

解耦表征学习对于生成模型的可解释性而言具有重要意义。当前主流解耦表征学习方法依据监督方式的不同,可分为监督解耦表征学习和无监督解耦表征学习。监督解耦表征学习依赖给定监督信息,提取监督信息相关特征,得到的监督无关信息中仍可能存在多种可解释属性;无监督解耦表征学习方法通过对数据先验进行假设,实现数据中的可解释属性自解耦。但由于不存在任何监督信息,模型的每一次训练所解耦的属性在特征向量上的位置以及属性的划分都无法确定,且相较于监督学习,无监督解耦表征对特定属性的表示能力较弱。本文结合监督与无监督解耦表征学习方法的优势,提出部分监督和可控监督解耦表征学习方法。主要工作包括:(1)对现有的解耦表征学习依据不同的监督方式进行归纳和分类,提出并形式化定义部分监督表征学习,分离出标签有关特征,使标签无关特征中的多可解释属性自行解耦;对部分监督表征学习进一步拓展和延伸,提出且形式化定义可控监督解耦表征学习,根据调整监督率,实现监督解耦表征学习、部分监督解耦表征学习或无监督解耦表征学习在同一模型下的动态切换。(2)基于概率图理论设计分步建模概率图模型,提出分步建模变分自编码器,以实现部分监督解耦表征学习。使用分类网络提取标签有关特征,基于生成模型进一步变分推断优化标签无关特征的证据下界,实现标签无关特征的提取与自解耦;通过分析分步建模概率图模型,学习任意分类模型所忽略的标签无关特征信息。(3)为适应任意监督程度的解耦表征学习,提出基于编码交换与生成对抗网络的可控监督解耦网络,通过控制标签有关与标签无关特征间的监督率,实现可控监督解耦表征学习。利用多属性分类生成对抗网络实现标签有关特征解耦;通过随机采样与反向替换机制,以及分类网络实现标签无关特征解耦。(4)本文通过设计下游分类评估实验,验证所提模型较对比方法具有更强的特征表示能力和更强的适应能力,还通过属性交换实验验证本文方法的特征属性控制能力。

关键词：解耦表征学习部分监督解耦表征学习可控监督解耦表征学习概率图模型生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

基于因果推理的解耦表征学习

基于因果推理的解耦表征学习

引用

作者：杨同森青岛科技大学

学位级别：硕士

目前解耦表征学习的研究大都基于潜在生成因子相互独立的假设,利用可分离的潜在表示对生成因子进行表征控制,但真实世界中数据的生成因子间通常具有因果关系,传统的解耦表征学习不能充分挖掘数据间的因果逻辑信息。因此本文将因果推理... 详细信息

目前解耦表征学习的研究大都基于潜在生成因子相互独立的假设,利用可分离的潜在表示对生成因子进行表征控制,但真实世界中数据的生成因子间通常具有因果关系,传统的解耦表征学习不能充分挖掘数据间的因果逻辑信息。因此本文将因果推理和解耦表征学习相结合,探究潜在生成因子间的因果关系,借助因果图表示变量间的因果结构信息,通过结构因果模型合成因果表征,从解耦和生成两阶段完成因果表征学习与图像重构任务,推动建立能够充分挖掘数据间因果逻辑信息的因果解耦表征学习模型。目前因果解耦表征学习存在解耦和生成性能失衡的问题,这导致模型无法有效表征数据间的因果信息。针对此问题,本文首先提出基于可微采样的DAG学习,该算法能够高效学习变量间DAG结构;其次,提出基于可微DAG采样的因果表征学习,通过提升因果表征学习效率,改进模型解耦性能;最后,提出基于高保真的因果解耦表征学习,利用对抗性训练提升重构图像质量,改进模型生成性能。本文从解耦性能和生成性能两方面对因果解耦表征学习模型做出改进,提升了模型对于数据间因果机制的学习能力。本文研究内容和主要成果包括:(1)为实现对因果变量间的有向无环图(DAG)结构的高效学习,本文提出了一种基于可微采样的DAG学习算法。首先对节点进行线性排序采样,并对节点排序一致的边进行采样;其次,在模型训练阶段添加等式无环约束,避免模型在表征学习过程中重复无效训练;最后,与变分推理结合,近似可观测数据中DAG有向边的后验概率,从观测数据中学习DAG结构。与现有算法相比,本研究能够实现快速和可微的DAG采样,不需要复杂的增广拉格朗日迭代学习,适合持续优化。在十个合成数据集和Sach真实数据集上进行的广泛实验表明,该算法显著提高了模型对于DAG结构的学习能力。(2)为改善因果解耦表征学习模型的解耦性能,本文提出了一种基于可微采样的因果表征学习算法。推理阶段使用可微采样的DAG学习算法,利用无环等式约束辅助学习DAG,并通过结构因果模型生成因果表征;生成阶段利用重构层传递因果信息,并将因果表征输入生成器合成重构图像。模型在Pendulum合成数据集和Celeb A真实数据集上的实验结果表明,该网络能够快速输出DAG,训练速度得到显著提升;学习到的因果表征在语义上是可解释的,能够通过干预操作生成反事实数据;模型的解耦性能得到明显提升。(3)为解决因果解耦表征学习模型解耦性能和生成性能失衡问题,本文提出了一种基于高保真的因果解耦表征学习框架。首先,在推理阶段抛弃了以前大多数方法所采用的隐变量独立假设,在编码器中添加因果层学习因果表征。其次,在生成阶段,采用生成对抗网络的思想,通过生成器与鉴别器之间的对抗性训练获取高保真图片。在CANDLE合成数据集和Celeb A真实数据集上进行的实验表明,模型通过推理网络成功提取了因果解耦生成因子;学习到的因果表示在语义上是可解释的,并且能够通过对抗性训练生成高保真的图像;在保证解耦性能的同时提高了模型的生成性能。

关键词：因果推理解耦表征学习无环约束生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

基于知识图谱意图增强与解耦表征学习的Web服务推荐方法

基于知识图谱意图增强与解耦表征学习的Web服务推荐方法

引用

作者：陈利胜湖南科技大学

学位级别：硕士

伴随着Web 3.0时代悄然而至,众多开发者将各种Web服务发布至互联网平台,使得Web服务的规模不断扩大。在这种情况下,如何迅速从海量的Web服务数据中发现符合开发人员需要的Web服务,是一个极具挑战性的课题。现有的Web服务推荐方法大多专... 详细信息

伴随着Web 3.0时代悄然而至,众多开发者将各种Web服务发布至互联网平台,使得Web服务的规模不断扩大。在这种情况下,如何迅速从海量的Web服务数据中发现符合开发人员需要的Web服务,是一个极具挑战性的课题。现有的Web服务推荐方法大多专注于Web服务描述文本语义关系及其低维嵌入的学习,并取得了较为优异的推荐性能。但以上方法未能充分挖掘知识图谱中语义结构信息存在的复杂实体关系。为解决以上问题,并针对Web服务描述文本具有的语义歧义、数据稀疏、数据噪声多、样本不均衡等问题,本文提出以下两种基于知识图谱的Web服务推荐方法: (1)为了充分挖掘Mashup对Web API之间的关系意图,本文提出了一种基于知识图谱意图增强的Web服务推荐方法。首先,根据Web服务的服务组合关系和共享注释关系构建Web API的知识图谱;然后基于知识图谱交互学习意图模型为Mashup与Web API进行意图建模;接着,通过距离相关性对意图独立性进行筛选,得到更具有独立性意图的知识图谱;之后,利用图卷积神经网络对相关知识图谱进行表征;最后,将所得到的Mashup与Web API相关表征进行内积计算,并将计算结果与阈值比较,从而得到最终的推荐结果。本文基于Programmable Web真实数据集进行实验。实验结果表明:与Deep-FM、KGAT、CKE和R-GCN等基准方法相比,本文所提方法的召回率分别提高了11.35%、15.72%、21.33%和9.36%,NDCG分别提高了9.36%、22.13%、5.25%和31.26%。 (2)针对Web服务描述文本在生成知识图谱时存在大量的实体和关系,且这些实体和关系之间具有高度复杂性和多样性,从而导致Web服务难以准确的捕捉知识图谱中复杂的数据关系。基于此,本文提出了一种基于解耦表征学习的Web服务推荐方法。该方法,首先,融合Web服务描述文档的功能描述、标签、注释等信息形成Web服务知识图谱,同时根据Mashup与Web API之间的调用关系等构建其Web服务关系网络;然后,利用关系感知聚合机制对Web服务知识图谱和关系网络表征进行微观解耦;接着,利用互信息量的正则项对微观解耦后的各个表征之间进行宏观解耦,从而增强各表征之间的独立性;最后,使用Conv E动态打分函数预测并得到Web服务推荐结果。通过在Programmable Web的数据集上进行实验,结果显示:与Conv E、Deep-FM、COMPGCN和KGAT等基准方法相比,本文所提方法的召回率分别提高了24.31%、12.55%、9.33%、5.91%;精确率分别提高了21.53%、11.98%、7.53%、4.41%;Macro-F1分别提高了25.63%、16.89%、13.61%、9.81%。

关键词： Web服务推荐知识图谱意图增强解耦表征学习

来源：评论

学校读者我要写书评

暂无评论

视觉特征对比解耦的广义零样本学习

引用

计算机应用研究 2023年第6期40卷 1912-1920页

作者：张志远杨关刘小明刘阳中原工学院郑州450007 河南省网络舆情监测与智能分析重点实验室郑州450007 西安电子科技大学西安710071

广义零样本学习通常利用在ImageNet上预训练的深度模型来提取相应的视觉特征,然而预训练模型提取到的视觉特征不可避免地包含和语义无关的信息,这将导致语义—视觉对齐的偏差以及对不可见类的负迁移,从而影响分类结果。为解决上述问题,... 详细信息

广义零样本学习通常利用在ImageNet上预训练的深度模型来提取相应的视觉特征,然而预训练模型提取到的视觉特征不可避免地包含和语义无关的信息,这将导致语义—视觉对齐的偏差以及对不可见类的负迁移,从而影响分类结果。为解决上述问题,提出了视觉特征对比解耦的广义零样本学习模型(visual feature contrast decoupling for generalized zero-shot learning,VFCD-GZSL),通过解耦出视觉特征中的语义相关表示来降低冗余信息对分类结果的影响。具体来说,首先用条件变分自编码器生成不可见类的视觉特征。然后通过解耦模块将视觉特征解耦语义相关和语义无关的潜层表示,同时添加总相关惩罚和对比损失来鼓励两者间的相互独立,并用语义关系匹配模型衡量其语义一致性,从而指导模型学习语义相关表示。最后使用特征细化模块细化后的特征和语义相关表示联合学习一个广义零样本学习分类器。在四个数据集上的实验均取得较优的结果,证实了所提方法的有效性。

关键词：广义零样本学习解耦表征学习变分自编码器生成模型特征融合

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：