研究人员引入了一个新颖的无监督框架来解决表示学习中的挑战，特别是几何鸿沟和可解释性鸿沟。该框架集成了流形学习和基于秩的可解释图嵌入，以创建稀疏、自解释的表示。该方法旨在改进相似性评估和模型透明度，并已通过图卷积网络在图像检索和半监督分类任务中证明了其有效性。 AI
影响 该框架可以提高 AI 模型在图像检索和分类等任务中的透明度和效率。
排序理由 该集群包含一篇在 arXiv 上发表的研究论文，详细介绍了用于表示学习的新框架。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- arXiv
- convolutional neural network
- foundation model
- Graph Convolutional Networks
- Rank-based Interpretable Graph Embeddings
- Transformer based Arabic temporal common sense understanding
- alphaXiv
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- nonlinear dimensionality reduction
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
