Компьютерные науки > Комплектное видение и распознавание моделей [представлено 9 июля 2025 года (v1), последний пересмотренный вариант 10 сентября 2026 года (эта версия, v5)] Название: Divergence-Soperation Prospects for Multi-View Contrastractive Learning View PDF HTML (экспериментальный) резюме: Заметный успех в противопоставлении обучения вызвал растущий интерес к более эффективному использованию множественных расширенных взглядов на данные. В то время как предыдущие методы включают в себя различные точки зрения на уровне потерь или характеристик, они главным образом отражают парные связи и не позволяют моделировать совместную структуру с учетом всех точек зрения. В этой работе мы предлагаем использовать функцию сходства на основе различий (СДС), которая четко отражает совместную структуру, представляя каждый набор расширенных мнений в качестве распределения и измерения сходных данных как разность между распределением. Широкие эксперименты показывают, что ДСФ последовательно повышает эффективность работы по решению различных задач, включая классификацию КНН, линейную оценку, обучение передаче и перераспределение, при этом также обеспечивает более высокую степень эффективности, чем другие методы многовидового обзора. Кроме того, мы установим связь между ДСФ и косинусным сходством и продемонстрируем, что в отличие от косинуса ДФ функционирует эффективно без необходимости настройки гиперпараметра температуры. История представления: Jaehung Joon [по электронной почте] [v1]…
Функция сходства на основе дивергенции для многовекового противопоказательного обучения
arXiv: 25007.06560v5 Тип уведомления: заменить перекрестное резюме: недавний успех в области контрастного обучения вызвал растущую заинтересованность в более эффективном использовании множественных расширенных взглядов на данные. В то время как предыдущие методы включают в себя различные точки зрения на уровне потерь или характеристик, они главным образом отражают парные связи и не позволяют моделировать совместную структуру с учетом всех точек зрения. В этой работе мы предлагаем использовать функцию сходства на основе различий (СДС), которая четко отражает совместную структуру, представляя каждый набор расширенных мнений в качестве распределения и измерения сходных данных как разность между распределением. Широкие эксперименты показывают, что ДСФ последовательно повышает эффективность работы по решению различных задач, включая классификацию КНН, линейную оценку, обучение передаче и перераспределение, при этом также обеспечивает более высокую степень эффективности, чем другие методы многовидового обзора. Кроме того, мы установим связь между ДСФ и косинусным сходством и продемонстрируем, что в отличие от косинового сходства ДСБ
