基于瓶颈的编码器-解码器架构（BEAR）用于学习无偏的消费者对消费者图像表征
计算机视觉与模式识别
2024-09-11 v1 机器学习
摘要
无偏表征学习在特定应用和背景下仍然是研究对象。新颖的架构通常被精心设计，以利用基础组件的组合来解决特定问题。本文介绍了不同的图像特征提取机制，它们与残差连接协同工作，在自编码器配置中编码感知图像信息。我们使用的图像数据旨在支持一个更大的研究议程，该议程涉及消费者对消费者在线平台中的犯罪活动问题。初步结果表明，所提出的架构能够利用我们的和其他图像数据集学习丰富的空间，解决了已识别的重要挑战。
引用
@article{arxiv.2409.06187,
title = {Bottleneck-based Encoder-decoder ARchitecture (BEAR) for Learning Unbiased Consumer-to-Consumer Image Representations},
author = {Pablo Rivas and Gisela Bichler and Tomas Cerny and Laurie Giddens and Stacie Petter},
journal= {arXiv preprint arXiv:2409.06187},
year = {2024}
}
备注
2022 LXAI Workshop at the 39th International Conference on Machine Learning (ICML), Baltimore, Maryland