https://blog.qife122.com/tags/%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0/ Recent content in 表示学习 on 办公AI智能小助手 Hugo zh-cn qife Sat, 04 Oct 2025 00:23:22 +0800 https://blog.qife122.com/p/3d%E5%9C%BA%E6%99%AF%E9%87%8D%E5%BB%BA%E4%B8%8E%E5%9B%BE%E5%83%8F%E8%A1%A8%E7%A4%BA%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/ Sat, 04 Oct 2025 00:23:22 +0800 https://blog.qife122.com/p/3d%E5%9C%BA%E6%99%AF%E9%87%8D%E5%BB%BA%E4%B8%8E%E5%9B%BE%E5%83%8F%E8%A1%A8%E7%A4%BA%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/ <h2 id="运动恢复结构技术">运动恢复结构技术</h2> <p>在某中心视频服务的最新研究中，提出了一种改进的稀疏运动恢复结构方法，用于从视频中推断摄像机运动和场景三维几何。该技术对影视内容中数字对象的精准嵌入具有重要意义。</p> https://blog.qife122.com/p/%E5%9F%BA%E4%BA%8E%E5%88%86%E6%95%B0%E7%9A%84%E5%9B%A0%E6%9E%9C%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0%E7%BA%BF%E6%80%A7%E4%B8%8E%E9%80%9A%E7%94%A8%E5%8F%98%E6%8D%A2/ Wed, 17 Sep 2025 17:42:29 +0800 https://blog.qife122.com/p/%E5%9F%BA%E4%BA%8E%E5%88%86%E6%95%B0%E7%9A%84%E5%9B%A0%E6%9E%9C%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0%E7%BA%BF%E6%80%A7%E4%B8%8E%E9%80%9A%E7%94%A8%E5%8F%98%E6%8D%A2/ <h1 id="基于分数的因果表示学习线性与通用变换">基于分数的因果表示学习：线性与通用变换</h1> <p>Burak Varıcı, Emre Acartürk, Karthikeyan Shanmugam, Abhishek Kumar, Ali Tajer; 26(112):1−90, 2025.</p> <h2 id="摘要">摘要</h2> <p>本文研究基于干预的因果表示学习（CRL），针对一般非参数潜在因果模型及潜在变量到观测变量的未知映射变换，分别探讨线性与通用变换情况。研究涵盖可识别性与可实现性两个维度：可识别性指确定算法无关的条件以确保恢复真实潜在因果变量及潜在因果图；可实现性指算法设计层面，旨在实现可识别性保证。通过建立分数函数（即密度函数对数的梯度）与CRL的新联系，设计了一类基于分数的算法，同时保证可识别性与可实现性。</p> https://blog.qife122.com/p/%E4%B8%89%E7%BB%B4%E5%9C%BA%E6%99%AF%E9%87%8D%E5%BB%BA%E4%B8%8E%E5%9B%BE%E5%83%8F%E8%A1%A8%E7%A4%BA%E6%8A%80%E6%9C%AF%E7%AA%81%E7%A0%B4/ Mon, 15 Sep 2025 09:38:12 +0800 https://blog.qife122.com/p/%E4%B8%89%E7%BB%B4%E5%9C%BA%E6%99%AF%E9%87%8D%E5%BB%BA%E4%B8%8E%E5%9B%BE%E5%83%8F%E8%A1%A8%E7%A4%BA%E6%8A%80%E6%9C%AF%E7%AA%81%E7%A0%B4/ <h2 id="运动结构恢复技术">运动结构恢复技术</h2> <p>在电影和电视节目视频中，通过深度引导的稀疏运动结构方法，能够准确推断摄像机运动轨迹和场景三维几何结构。该技术主要应用于在已录制视频中精确插入数字对象。</p> https://blog.qife122.com/p/ocsvm%E5%BC%95%E5%AF%BC%E7%9A%84%E6%97%A0%E7%9B%91%E7%9D%A3%E5%BC%82%E5%B8%B8%E6%A3%80%E6%B5%8B%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0%E6%96%B9%E6%B3%95/ Sun, 14 Sep 2025 16:04:06 +0800 https://blog.qife122.com/p/ocsvm%E5%BC%95%E5%AF%BC%E7%9A%84%E6%97%A0%E7%9B%91%E7%9D%A3%E5%BC%82%E5%B8%B8%E6%A3%80%E6%B5%8B%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0%E6%96%B9%E6%B3%95/ <h1 id="ocsvm引导的无监督异常检测表示学习方法">OCSVM引导的无监督异常检测表示学习方法</h1> <p>无监督异常检测（UAD）旨在无需标注数据的情况下检测异常，这在异常样本稀少或不可得的机器学习应用中至关重要。当前最先进的方法主要分为两类：基于重构的方法（往往过度重构异常）以及与密度估计器解耦的表示学习方法（可能受限于次优特征空间）。尽管近期有些方法尝试耦合特征学习与异常检测，但它们通常依赖代理目标、限制核选择或引入近似，从而限制了表达能力和鲁棒性。</p> https://blog.qife122.com/p/%E5%9B%BE%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%B1%80%E9%83%A8%E6%8B%93%E6%89%91%E7%89%B9%E5%BE%81%E5%A2%9E%E5%BC%BA%E6%8A%80%E6%9C%AF/ Tue, 09 Sep 2025 18:45:54 +0800 https://blog.qife122.com/p/%E5%9B%BE%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%B1%80%E9%83%A8%E6%8B%93%E6%89%91%E7%89%B9%E5%BE%81%E5%A2%9E%E5%BC%BA%E6%8A%80%E6%9C%AF/ <h1 id="增强图表示学习的局部拓扑特征">增强图表示学习的局部拓扑特征</h1> <h2 id="摘要">摘要</h2> <p>图表示学习是各类任务中的基础性问题。作为当前主流方法的图神经网络存在表示能力局限，因此显式提取并融入高阶拓扑与几何信息具有重要价值。本文提出基于持续同调理论的原理性方法，用于提取丰富的图连接信息。该方法利用拓扑特征增强图神经网络的表示学习能力，在多个节点分类和链接预测基准测试中达到最优性能。同时探索了拓扑特征的端到端学习方案，即将拓扑计算作为可微分算子融入学习过程。理论分析与实证研究为图学习任务中拓扑特征的应用提供了见解与潜在指导准则。</p>