改进样本相似性图的对比学习中的 $\mathbb {X}$- 样本对比损失
原文约300字，阅读约需1分钟。发表于：。通过修改相似性图表以明确样本之间的关系，我们重新设计了标准对比损失函数，以获得更好的表征学习，它在视觉模型中优于自监督学习和视觉语言模型，同时鼓励模型学习将对象与其属性和背景分离。
研究提出了一种名为GraphRank的图对比学习模型，通过引入基于排名的学习来测量相似度得分，成功解决了虚假负样本问题，并在多个图任务上展开了广泛实验，表现优异。
标签
对比学习
相关的文章：探索对比学习在不同领域的应用，了解最新研究进展和相关文章。
一种多视图掩码对比学习图卷积神经网络用于年龄估计
原文约200字，阅读约需1分钟。发表于：。基于多视图掩蔽对比学习图卷积神经网络 (MMCL-GCN) 提出了一种用于年龄估计的模型，通过引入图结构和设计多视图掩蔽对比学习机制来学习复杂结构和语义信息，使用多层极限学习机方法来充分利用在线编码器提取的特征，从而实现了有效减小基准数据集上年龄估计误差的目标。
使用图卷积网络从非规则人脸图像中提取特征，提高了年龄估计的准确性并降低了 MAE 误差值。
ETSCL: 一种基于证据理论的多模式青光眼分级的监督对比学习框架
发表于：。ETSCL 是一个新颖框架，通过对比特征提取和决策级融合阶段来处理青光眼诊断中的可靠特征提取和不确定性估计。实验证明，该方法在青光眼诊断方面取得了最先进的性能。
通过道路区域提取和对比学习改进道路路面条件分类
发表于：。通过引入分割模型和对比学习，本研究提出了一种改进的道路表面缺陷分类方法，以降低计算成本并提高分类性能。在公共 RTK 数据集上的实验证明了我们的方法相对于先前的研究的显著改进。
半监督基于对比学习框架的参考引导素描提取
发表于：。我们提出了一种半监督的多模态素描提取方法，能够通过非配对数据训练来模仿给定参考素描的风格，并在定量和定性评估中优于最先进的素描提取方法和非配对图像翻译方法。
对于时间序列分类中对比学习的增强选择的指导方针
发表于：。通过构建 12 个合成数据集并评估 8 种不同的数据增强方法，本研究提出了一种基于数据集特征的趋势季节性增强推荐算法，能够准确地识别给定时间序列数据的有效增强方法，并在广泛的应用中实现了平均召回率为 0.667 的表现优于基线的结果。
使用背景信息非编码匹配的对比学习偏好
原文约200字，阅读约需1分钟。发表于：。通过对 CLIP 框架进行适当的改进，解决了上下文偏好排序中一项优选行为与多个选择项进行比较时的复杂性增加和偏好分布问题，通过在集换式卡牌游戏领域的实证研究，证明了改进的 InfoNCE 损失模型在捕捉单张卡片与整个卡牌池之间关联性方面的实用性，并在性能上优于基于三元组损失函数的先前工作。
研究人员提出了AnInfoNCE方法，用于揭示潜在因素并推广可识别性结果。实验证实了该方法在CIFAR10和ImageNet中恢复丢失信息的能力，但降低了下游任务准确度。讨论了理论假设与实际实现不匹配问题。
利用对比学习提升令牌化图变换器中节点表示
原文约300字，阅读约需1分钟。发表于：。提出了一种名为 GCFormer 的新型图形变压器，该模型使用混合令牌生成器来捕捉多样性图形信息的两种类型的令牌序列，并采用定制的基于变压器的骨干结构从这些生成的令牌序列中学习有意义的节点表示。并且，GCFormer...
研究人员提出了一种名为GCFormer的新型图形变压器模型，通过混合令牌生成器捕捉多样性图形信息，并使用基于变压器的骨干结构学习节点表示。GCFormer引入对比学习提高节点表示质量，在节点分类方面优于传统图神经网络和图形变压器。
NeuroMoCo：一种用于脉冲神经网络的神经形态动量对比学习方法
原文约300字，阅读约需1分钟。发表于：。本文介绍了一种名为神经形态的动力对比学习（NeuroMoCo）的方法，该方法通过自监督预训练的方式有效激发了脉冲神经网络的潜力，并使用适用于时间特征的 MixInfoNCE 损失函数进一步提高了神经形态数据集的分类准确性，实验证明其在 DVS-CIFAR10、DVS128Gesture 和 N-Caltech101 数据集上均取得了新的最先进结果，分别为 83.6%、98.62% 和 84.4%。
本文介绍了神经形态动力对比学习（NeuroMoCo）方法，通过自监督预训练激发脉冲神经网络潜力，使用MixInfoNCE损失函数提高神经形态数据集分类准确性。实验证明取得新的最先进结果。
自信感感知的对比学习用于选择性分类
发表于：。选择性分类是在高风险场景中提高安全性和可靠性的一种方法，本研究提出了一种基于置信度感知对比学习的新型选择性分类模型，该模型通过改进特征层次来提高选择性分类的性能，实验证明它明显降低了选择性风险。
