.png){kind=icon}
返回
Non-Gradient Hash Factor Learning for High-Dimensional and Incomplete Data Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2026.3653780.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）数据在各种与大数据相关的工业应用中普遍存在，例如药物创新和推荐系统。哈希学习是从HDI数据中提取隐藏信息的最有效表示学习方法，这得益于其快速的推理和低存储需求。然而，现有的哈希学习方法通常采用基于梯度的优化技术来解决由哈希因子的二值性质引起的离散目标问题，其中量化（即对实数值进行二进制编码）损失是不可避免的，导致在表示HDI数据时精度下降。受这些关键且重要问题的启发，本文提出了一种非梯度哈希因子（NGHF）模型，包含三个创新点：a）创新了一种离散微分进化（DDE）算法，能够通过基于投影汉明不相似性禁用二进制码位来模拟连续优化，从而实现有效的离散优化器；b）将所提出的DDE算法应用于直接优化NGHF在HDI数据上定义的离散学习目标，从而在不产生任何量化损失的情况下促进其高效且精确的训练；c）从理论上证明了NGHF的收敛性。因此，NGHF具有与实值模型相当的高表示学习能力，能够实现对HDI数据的精确二进制表示。在九个真实数据集上的大量实验结果表明，NGHF显著优于八种当前最先进的哈希学习模型。此外，其精度惊人地与实值模型在HDI数据表示学习中的表现相当。
Keyword:
Hash learning
representation learning
missing data estimation
high-dimensional and incomplete data
differential evolutionary
latent factor analysis
期刊
IF:
18.6
论文数:
864
被引数:
9.8W
机构
引用论文
.png){kind=icon}
Learning motif-based graphs for drug-drug interaction prediction via local-global self-attention通过局部全局自我注意学习基于motif的药物-药物相互作用预测图
PREAI
分享收藏An Adaptively Bias-Extended Non-negative Latent Factorization of Tensors Model for Accurately Representing the Dynamic QoS Data一种自适应偏置扩展的非负张量潜因子分解模型，用于精确表示动态QoS数据
PREAI
分享收藏
查看更多内容