大讲堂 | 结构化数据的非监督特征学习：理论，算法，及应用

分享主题结构化数据的非监督特征学习：理论，算法，及应用（Unsupervised Feature Representation Learning via Random Features for Structured Data: Theory, Algorithm, and Applications）分享背景多数标准的机器学习模型在设计时都把向量形式的特征表示作为输入。而对于许多结构化的输入，比如时间序列、字符串、直方图、图，由于数据中并没有显式的特征，所以有许多研究都希望可以为这些复杂数据开发出有效的表示。尽管深度学习模型如今已经取得了巨大的成功，我们仍然希望设计一种一般化的方法，从结构化的“无标注”数据中直接学习到特征表征。演讲中我们将首先介绍 D2KE，这是一个可以从任意距离学习到核和它的表征的一般性框架。接下来我们将展示如何把 D2KE 用于从多元时间序 ………………………………