基于自适应正负样本对比学习的特征提取框架
机器学习
2022-01-12 v1 人工智能
计算机视觉与模式识别
摘要
在本研究中，我们提出了一种基于自适应正负样本对比学习的特征提取框架（CL-FEFA），适用于无监督、有监督和半监督单视图特征提取。CL-FEFA根据特征提取的结果自适应地构造正样本和负样本，使其更恰当和准确。此后，基于先前的正负样本，根据InfoNCE损失重新提取判别性特征，这将使类内样本更紧凑、类间样本更分散。同时，利用子空间样本的潜在结构信息动态构造正负样本，可使我们的框架对噪声数据更鲁棒。此外，CL-FEFA考虑了正样本之间的互信息，即潜在结构中的相似样本，这为其特征提取优势提供了理论支撑。最终的数值实验证明，所提框架相对于传统特征提取方法和对比学习方法具有显著优势。
引用
@article{arxiv.2201.03942,
title = {Feature Extraction Framework based on Contrastive Learning with Adaptive Positive and Negative Samples},
author = {Hongjie Zhang},
journal= {arXiv preprint arXiv:2201.03942},
year = {2022}
}