基于自适应同伦学习的深度对比图表示
计算机视觉与模式识别
2021-06-18 v1
摘要
同伦模型是机器学习领域众多研究工作所利用的优秀工具。然而，其灵活性因缺乏自适应性而受限，即需手动固定或调节合适的同伦系数。为解决上述问题，我们提出一种新颖的自适应同伦框架（AH），其中采用了 Maclaurin 对偶性，使得同伦参数可被自适应地获得。相应地，所提出的 AH 可广泛用于增强基于同伦的算法。特别地，本文将 AH 应用于对比学习（AHCL），使其能有效地从弱监督学习（给定标签先验）迁移至无监督学习，其中对比学习的软标签被直接且自适应地学习。因此，AHCL 具备在无任何先验信息情况下提取深度特征的自适应能力。进而，由相关自适应标签构建的亲和矩阵可构造为深度拉普拉斯图，该图融合了输入深度表示的拓扑结构。最终，在基准数据集上的大量实验验证了我们所提方法的优越性。
引用
@article{arxiv.2106.09244,
title = {Deep Contrastive Graph Representation via Adaptive Homotopy Learning},
author = {Rui Zhang and Chengjun Lu and Ziheng Jiao and Xuelong Li},
journal= {arXiv preprint arXiv:2106.09244},
year = {2021}
}
备注
9 pages,4 figures