ICLR，全称为International Conference on Learning Representations，又称国际表征学习大会，该会议每年举办一次。ICLR是机器学习领域全球最高级别的学术会议之一，关注有关深度学习各个方面的前沿研究。ICLR'2024将于2024年5月7日-11日在奥地利维也纳举行。在本次会议中，澳门官方十大网投平台师生共有7篇文章被接收。
论文题目：PTaRL: Prototype-based Tabular Representation Learning via Space Calibration
主要作者：叶航廷博士，郭丹丹教授，常毅教授
收录会议：ICLR'2024
会议类别：清华大学推荐A类
论文概述：
表格数据在各个现实领域中扮演着极为重要的角色，如医疗、工程、金融等。随着最近深度学习在计算机视觉和自然语言处理领域取得巨大成功，许多基于深度学习网络的表格机器学习方法（例如Transformer、ResNet等）在表格基准数据集上取得了有竞争力的效果。然而，现有的深度表格机器学习方法存在表示纠缠和局部化问题，这在很大程度上阻碍了它们的预测性能，并导致在表格预测任务上性能不一致。
为了克服这些问题，我们探索了一种新颖的将原型学习应用于表格机器学习的方向，并提出了基于原型的表格表示学习框架PTaRL，用于表格预测任务。PTaRL的核心思想是构建基于原型的投影空间（P-Space），并学习围绕全局数据原型的解纠缠表示。具体而言，PTaRL主要包括两个阶段：（i）原型生成，构建全局原型作为P-Space的空间表示基向量，以及（ii）原型投影，将数据样本投影到P-Space并通过最优传输理论保留核心全局数据信息。然后，为了进一步获得解纠缠表示，我们通过两种策略对PTaRL进行了约束：（i）为了使P-Space中不同表示的坐标系数多样化，我们提出了一个用于表示校准的多样化约束；（ii）为了避免P-Space中的原型纠缠，我们引入了一个矩阵正交约束，以确保全局原型的独立性。
最后，我们在各种表格基准数据集上对PTaRL与最先进的深度表格机器学习模型进行了大量验证性实验，结果显示了PTaRL在很大程度上优于已有方法。
