.png){kind=icon}
返回
Multimetric Autoencoder for Representing High-Dimensional and Incomplete Data
.png){kind=icon}
PRE
AI
DOI：10.1109/TSMC.2025.3646863.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维和不完整（HDI）数据通常出现在许多复杂的应用场景中，例如生物信息学和推荐系统。深度神经网络（DNNs）在表示HDI数据方面表现出前沿的性能，这得益于其强大的非线性学习能力。然而，以往的研究主要集中于使用固定且独占的$L_{2}$-范数策略对损失和正则化项进行单指标聚焦的模型。此类策略限制了模型从多样化和异构HDI数据中有效学习的能力。认识到这一局限性，本文提出了多指标自编码器（MMA），其包含以下两个核心思想：1）利用多种$L_{p}$-范数创建四个不同的自编码器，每个定义一个独特的指标表示空间，具有不同的正则化和损失特性；2）通过使用定制化的自调整加权策略整合这四个多样化的自编码器。这种创新方法增强了模型有效处理异构和包容性HDI数据的能力，解决了以往研究的局限性。理论分析支持MMA在利用多样化多指标空间的优势方面的有效性。在实验中，MMA在六个真实HDI数据集上进行了评估。实验结果表明，MMA在有效表示HDI数据方面优于七种当代模型。
Keyword:
Complex and partial data
data imputation autoencoder
multimetric representation
representation learning
期刊
I
IF:
0
论文数:
240
被引数:
0
机构
引用论文
Shi, W.; He, X.; Zhang, Y.; Gao, C.; Li, X.; Zhang, J.; Wang, Q.; Feng, F. Large Language Models are Learnable Planners for Long-Term Recommendation. In Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, Washington DC, USA, 14–18 July 2024; pp. 1893–1903. [Google Scholar] [CrossRef]Shi, W.; He, X.; Zhang, Y.; Gao, C.; Li, X.; Zhang, J.; Wang, Q.; Feng, F. 大型语言模型是长期推荐的可行规划器。发表于第47届国际ACM SIGIR信息检索研究与发展会议论文集，华盛顿特区，美国，2024年7月14—18日；第1893—1903页。[Google Scholar][CrossRef].png)
IF0
PREAI
分享收藏Blockchain-based recommender systems: Applications, challenges and future opportunities基于区块链的推荐系统: 应用、挑战和未来机遇COMPUTER SCIENCE REVIEW
OAAI
COMPUTER SCIENCE REVIEWIF12.7
OAAI分享收藏分享收藏
查看更多内容