Augmentation invariant manifold learning
数据增强不变的流形学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究流形表示学习与近邻分类，未明确涉及因子模型、经济预测或其他所列计量方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
数据增强不变的流形学习
- 研究问题
- 在一般非线性环境中，数据增强如何改变学习到的表示，并在什么框架下解释其对下游近邻分类的改善？
- 方法与思路
- 作者用低维乘积流形建模数据增强变换，结合流形几何与增强不变性构造表示学习方法，并转化为随机优化问题求解。
- 材料陈述的贡献
- 摘要称，该方法具有明确理论保证；理论解释增强为何改善近邻分类，并在所设框架下揭示更复杂增强带来更多改善的关系。
- 阅读关注点
- 应核对乘积流形假设、增强复杂度的定义、分类改善的衡量方式及理论条件，并审查算法效率与数值比较的设定。
- 阅读边界
- 仅据所给 Crossref 摘要；未提供理论条件、改善幅度或复杂度定义，不能将增强越复杂越好的陈述推广到任意任务和数据。
原文摘要
Abstract Data augmentation is a widely used technique and an essential ingredient in the recent advance in self-supervised representation learning. By preserving the similarity between augmented data, the resulting data representation can improve various downstream analyses and achieve state-of-the-art performance in many applications. Despite the empirical effectiveness, most existing methods lack theoretical understanding under a general nonlinear setting. To fill this gap, we develop a statistical framework on a low-dimensional product manifold to model the data augmentation transformation. Under this framework, we introduce a new representation learning method called augmentation invariant manifold learning and design a computationally efficient algorithm by reformulating it as a stochastic optimization problem. Compared with existing self-supervised methods, the new method simultaneously exploits the manifold’s geometric structure and invariant property of augmented data and has an explicit theoretical guarantee. Our theoretical investigation characterizes the role of data augmentation in the proposed method and reveals why and how the data representation learned from augmented data can improve the k-nearest neighbour classifier in the downstream analysis, showing that a more complex data augmentation leads to more improvement in downstream analysis. Finally, numerical experiments on simulated and real data sets are presented to demonstrate the merit of the proposed method.