概念分解综述：从浅层到深度表示学习
机器学习
2021-02-02 v3 计算机视觉与模式识别
机器学习
摘要
表示学习所学特征的质量决定了学习算法及相应应用任务（如高维数据聚类）的性能。作为表示学习中相对较新的范式，概念分解 (CF) 十余年来在机器学习和数据挖掘领域引起了极大关注。基于不同视角与性质，许多有效的 CF 方法被提出，但需注意，从现有研究中把握本质联系并找出潜在解释性因子仍非易事。因此，本文通过分类与总结当前方法，综述 CF 方法的最新进展与潜在基准。具体而言，我们首先回顾根源性的 CF 方法，进而探讨从浅层到深度/多层情形的基于 CF 的表示学习进展。我们还介绍了基于 CF 方法的潜在应用领域。最后，指出研究基于 CF 的表示学习的一些未来方向。总体而言，本综述对该领域理论基础与当前发展提供了具洞察的概览，也可帮助感兴趣的研究者理解 CF 当前趋势并找到最合适的 CF 技术以处理特定应用。
引用
@article{arxiv.2007.15840,
title = {A Survey on Concept Factorization: From Shallow to Deep Representation Learning},
author = {Zhao Zhang and Yan Zhang and Mingliang Xu and Li Zhang and Yi Yang and Shuicheng Yan},
journal= {arXiv preprint arXiv:2007.15840},
year = {2021}
}
备注
Please cite this work as: Zhao Zhang, Yan Zhang, Mingliang Xu, Li Zhang, Yi Yang and Shuicheng Yan, "A Survey on Concept Factorization: From Shallow to Deep Representation Learning," Information Processing and Management (IPM), Jan 2021