无组合假设的学习表示
机器学习
2023-06-01 v1
摘要
本文解决包含由不同测量源生成的多个视图的表格数据上的无监督表示学习问题。传统方法利用多视图框架解决该问题，受预定义假设约束，即假定特征集共享相同信息且表示应学习全局共享因子。然而，对于具有特征集间复杂依赖关系的真实世界表格数据集，该假设并非总成立，导致局部化信息更难学习。为克服此局限，我们提出一种数据驱动方法，通过将特征集表示为图节点、其关系表示为可学习边来学习特征集依赖。此外，我们引入LEGATO，一种新颖的分层图自编码器，学习更小的潜图以动态聚合多视图信息。该方法产生的潜图组件专用于捕捉输入不同区域的局部化信息，从而获得更优的下游性能。
引用
@article{arxiv.2305.19726,
title = {Learning Representations without Compositional Assumptions},
author = {Tennison Liu and Jeroen Berrevoets and Zhaozhi Qian and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2305.19726},
year = {2023}
}