ICML论文精选：无监督学习的研究和应用-华体会

深度自学的类型根据数据是否有标记，可分为监督自学、半监督自学和无监督自学三种。事实上，人类不可能把一切都用手教AI。没有监督的自学应该是未来的趋势。ICML将无监督自学分为一个区域，包括无监督自学的研究和应用。

今天主要关注无监督自学应用的论文。深度映射的无监督分类分析(UnsupervisedDeepembedingforClusteringAnalysis)分类分析对许多数据驱动的应用领域来说是最重要的，已经以距离函数和分组算法的表现形式进行了普遍的完全研究。

探讨聚类分析的自学表现的研究相对较少。本文明确提出了深度嵌入式聚合方法(Deepembedded、Clustering、DEC)，可用于深度神经网络建设的同时自学特征的应对和聚合任务。该方法在图像和文本语言识别领域的实验中的表现比现在最差的方法明显提高。

作为检测数据的马尔可夫调制标记的泊松过程(Markov-modulatedMarked?Poison?ProcessessessorCheck-inData)论文创建了时间倒数的概率模型，研究了由时间和方向构成的通过检查点的轨迹数据。我们将数据组织成标记点变化过程的构建，是马卡罗夫冲刺过程的标记分布排序。论文也通过向各用户分配优先地点，将用户的异质性考虑到模型。通过退出Bagofwords(忽略文本的语法和语序，用无序的单词传达文字和文件的方法)，假设在倒数时间继续执行，扩大了潜在的狄利克雷产生的想法。

层填充泊松分解为层填充泊松分解为层填充泊松分解为层填充泊松分解为层填充泊松分解为层填充泊松分解为层填充泊松分解为层填充泊松分解为层填充泊松但是，由于密集系统和呼吁模型的密切结合特性，允许后者的传达丰富性。本文说明了分层填充泊松分解为函数(HierarchicalCompoundPoissoissoissonfactorization、HCPF)，具有良好的泊松马结构，与高维度极端密集的矩阵相比，HPF具有良好的扩展性。

该新算法经过九个线性型和3个连续型数据集的测试，指出HCPF在狩猎密度和呼吁之间的关系性能比HPF高。单细胞基因表现数据校正技术变化的迪利克雷过程混合模型(Dirichlet?Variation?Core?Correcting?Variation?Lin?Single-Cell?Gene?ExpressionData)论文说明了单细胞基因数据传达的传达标准和聚集方法。

新兴的细胞RNA编码技术可以允许人们找到和描述细胞的许多信息。但是，现在的数据容易受到实验的错误结果和细胞特性的叙述偏差的影响。

当前解决问题的方法:在研究生物信号之前继续执行整体误差缺失，不能完全解决问题。论文明确提出的模型由分层贝叶斯混合模型和细胞特异性规模的因素构成，协助数据的反复递归和聚集，识别生物信号产生的技术误差。

证明这种方法比现行方法更有利。多时间序列的非参数关系返回模型的自动建设(AutomaticconContion?Models?For?Multipleboort?Timebor?Series)论文创建了两种关系，通过寻找变化的联合因素，同时处理三组时间序列数据的核心自学方法。这种自学方法为现实中的一些数据集成了更准确的模型。解决了以前系统精度、特异性和叙述精度过高的问题。

人类自学应归属于半监督自学和无监督自学的融合。因此，这两个领域的研究值得关注。原始文章允许禁止发布。

下一篇文章发表了注意事项。

本文来源：华体会-www.vanuadisaen.com