Публикации по теме 'representation-learning'


Прорывы в обучении репрезентациям: что такое обучение репрезентациям?
В этом году мне посчастливилось присутствовать на Международной конференции по обучению репрезентации (ICLR), проходившей в Кигали, Руанда. У меня была возможность ознакомиться с новейшими исследованиями, пообщаться с коллегами-профессионалами и проникнуться коллективной мудростью сообщества ИИ. В этой серии блогов я хотел бы поделиться четырьмя вещами, которые должен знать каждый инженер по машинному обучению. Во-первых, в этом сообщении блога будет обсуждаться общая концепция Обучения..
Скрытый потенциал TabNet: глубокое погружение в репрезентативное обучение
TabNet — инструмент, часто рекомендуемый для классификации и задач регрессии в науке о данных. Однако на этом его приложения не заканчиваются. Вы также можете использовать TabNet для процесса, известного как обучение представлению с учителем, который чрезвычайно эффективен для уменьшения размерности или извлечения пространства для встраивания. Итак, что же все это значит? Проще говоря, обучение с контролируемым представлением — это метод, который сопоставляет данные с целевым..
Всестороннее введение в GNN - Часть 2
Почему GNNs? Прежде, чем вы начнете читать Как указано в заголовке, это вторая часть серии публикаций, предназначенных для ознакомления вас с GNN. Поэтому я настоятельно рекомендую вам взглянуть на первую часть , в которой я обсуждал графы , ориентированные графы и информационные сети . Где мы находимся? Целью серии публикаций является освещение следующих тем: График Направленный график Информационные сети Мотивы, стоящие за GNN Встраивание сети Ванильный GNN..
Понимание метрического обучения и контрастного обучения: руководство для начинающих
Узнайте о различиях между этими двумя мощными методами машинного обучения и их приложениями. Введение В мире машинного обучения существуют различные методы, помогающие компьютерам понимать и распознавать закономерности в данных. Два таких метода, метрическое обучение и контрастное обучение, являются популярными методами изучения осмысленных вложений или представлений точек данных. В этом руководстве для начинающих мы рассмотрим различия между этими двумя методами и рассмотрим их..
Редкие слова: открытие порядка в естественном языке
Язык является одним из самых мощных средств коммуникации, которые у нас есть. Несмотря на выразительность, язык имеет нюансы и двусмысленность, что отчасти затрудняет нам создание компьютерных моделей, способных его освоить. В этом посте мы рассмотрим некоторые проблемы при использовании данных на естественном языке в условиях машинного обучения, например разреженность данных. Мы будем использовать подход, основанный на данных, основанный на теории информации, который поможет нам..
От вложения слов к предварительно обученным языковым моделям - Новая эра в НЛП - Часть 2
Чтобы слова обрабатывались моделями машинного обучения, им нужна какая-то форма числового представления, которое модели могут использовать в своих вычислениях. Это вторая часть из двух частей, в которых я смотрю, как со временем менялись методологии преобразования слов в векторные. Если вы не читали Часть 1 из этой серии, я рекомендую сначала проверить это! За пределами традиционных контекстно-свободных представлений Хотя предварительно обученные вложения слов, которые мы видели в..
Изучение распутанных представлений с помощью вариационных автоэнкодеров
Преамбула В этой статье будут рассмотрены основы вариационных автоэнкодеров (VAE) и их использование для изучения распутанных представлений многомерных данных со ссылкой на две статьи: Обучение байесовскому представлению с ограничениями Oracle Karaletsos et. др., и Выделение источников распутывания в вариационных автоэнкодерах от Chen et. al. Также кратко будут упомянуты некоторые открытые области исследований в области VAE. Введение (I): вариационный вывод и автоэнкодеры..