SRF方法:从相似性矩阵分解出可解释低维表征
martin_hebart · x · 2026-09-25
同团队第二篇 NeurIPS 论文提出 Similarity-Based Representation Factorization(SRF),从测得的相似性矩阵中恢复低维、非负、可解释的嵌入。
- 在仿真及多种神经、行为与计算数据集上,SRF 能从稀疏采样、不完整的数据中恢复可解释维度。
- 这些维度与任务专用模型所得维度匹配,可预测独立的行为属性,改善探索性分析,并在验证性假设检验上比直接比较相似性矩阵更有统计功效。
- 定位为通用方法,适用于神经科学、心理学与 AI 中的表征研究。
「研究」频道最新
- Open-Jev 多语言数据集登 HF 热榜,含中英土三语文本分类样本 — ZefanCai · 2026-09-25
- 新论文形式化持续学习：用概率空间解路径刻画稳定-可塑权衡 — hbouammar · 2026-09-25
- Helmholtz 30 余位 PI 集会，探讨 AI 驱动的 Virtual Human 蓝图 — Pseudomanifold · 2026-09-25
- CMU 论文:廉价裁判+不确定时升级,省 99.6% 评测费保留 99% 准确率 — Stefania_druga · 2026-09-25
- Ephemeris 上线：一个 API 集成多款开源时序基础模型 — network-kai · 2026-09-25
- 176 组对照实验：Agent Harness 设计对成绩影响被系统量化 — alex_verem · 2026-09-25