用于时间概念定位的跨类相关性学习
组合数学
2021-02-10 v2
摘要
我们提出了一种用于时间概念定位任务的新型跨类相关性学习方法。大多数定位架构依赖于特征提取层，其后接一个分类层，该分类层为每个片段输出类概率。然而，在许多现实应用中，类之间可能表现出复杂的关联关系，难以用此架构建模。相反，我们提议将目标类及类相关特征作为输入，并学习一个成对二值模型来预测片段到类的一般相关性。这促进了类之间共享信息的学习，并允许任意特定类的特征工程。我们将该方法应用于第三届 YouTube-8M 视频理解挑战赛，并结合其他领先模型，在超过 280 支队伍中获得了第一名。本文中我们描述了我们的方法并展示了一些实证结果。
引用
@article{arxiv.1911.08549,
title = {The weight distribution of irreducible cyclic codes associated with decomposable generalized Paley graphs},
author = {Ricardo A. Podestá and Denis E. Videla},
journal= {arXiv preprint arXiv:1911.08549},
year = {2021}
}
备注
20 pages, 2 tables. Added information on Cartesian products of graphs. A general reviwe was made, with small additions improving readability. Some typos corrected. arXiv admin note: text overlap with arXiv:1908.08097