کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4969488 | 1449973 | 2018 | 38 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Learning by coincidence: Siamese networks and common variable learning
ترجمه فارسی عنوان
یادگیری به صورت تصادفی: شبکه های سیمان و یادگیری متغیر مشترک
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
یادگیری شباهت، یادگیری نمایندگی، یادگیری بی نظیر، شبکه های سیمان، متغیر مشترک،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
We consider the statistical problem of learning a common source of variability in data which are synchronously captured by multiple sensors, and demonstrate that Siamese neural networks can be naturally applied to this problem. This approach is useful in particular in exploratory, data-driven applications, where neither a model nor label information is available. In recent years, many researchers have successfully applied Siamese neural networks to obtain an embedding of data which corresponds to a “semantic similarity”. We present an interpretation of this “semantic similarity” as learning of equivalence classes. We demonstrate the ability of Siamese networks to learn common variability in a range of experiments on synthetic and real-world data, and demonstrate the potential of Siamese networks to provide new leads for data-driven research through unsupervised learning in cancer data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 74, February 2018, Pages 52-63
Journal: Pattern Recognition - Volume 74, February 2018, Pages 52-63
نویسندگان
Uri Shaham, Roy R. Lederman,