Jul, 2013

表示学习中的挑战：三个机器学习竞赛的报告

PDF
TL;DRICML 2013 Workshop 论文研究如何应对代表着机器学习发展中的三大挑战：黑匣子、面部表情、多模态学习等，并描述了相关数据集，总结了比赛结果，并为未来组织者提供指导。
icml 2013representation learningblack box learning challengefacial expression recognition challengemultimodal learning challenge
发现论文，激发创造
  • 机器学习的可解释性：最新进展和未来前景

    这篇论文调查了机器学习中可解释性的进展和未来前景，提出了多媒体计算中的应用示例，并明确指出可解释性的研究是一个值得进一步投资的重要研究方向。

    Apr, 2023

  • 学习表示的学习表示

    ICLR 会议提供了一个包含来自 2017 年至 2024 年所有 24,000 个 ICLR 提交摘要的数据集，研究发现基于词袋表示的模型在 $k$NN 分类准确性方面优于大多数句子转换模型，而顶级语言模型仅略胜于 TF-IDF。此结果对 NLP 社区提出了挑战，并通过该数据集研究了近七年来机器学习领域的变化，发现性别平衡有所改善，并通过摘要文本的二维嵌入描述了 2017 年到 2024 年的研究主题变化，并确定了具有最多 ICLR 提交数量的作者中的创新者和专家。

    Apr, 2024

  • 深度表示学习：基础，视角，应用和开放挑战

    本研究论述了机器学习算法在学习过程中的表示问题及应用，并就深度学习模型、框架和关键问题等进行了探讨和分析。

    Nov, 2022

  • ACM Multimedia 2023 计算语用学挑战赛：情感分享与请求

    ACM Multimedia 2023 Computational Paralinguistics Challenge 中，Emotion Share Sub-Challenge 需要进行语音回归分析，Requests Sub-Challenges 需要检测请求和投诉。研究中介绍了 Sub-Challenges、基线特征提取和基于 ComPaRE 特征、auDeep 工具包和使用预训练 CNN 的深度特征提取的分类器；此外，还使用了 wav2vec2 模型。

    Apr, 2023

  • 表示学习的深度学习：展望未来

    本文主要探讨深度学习面临的挑战，包括大规模模型与数据集的扩展、优化难点、设计高效的推断与抽样过程，以及学习分离数据中的因素变化等，并提出相应的研究方向。

    May, 2013

  • 学术竞赛

    学术挑战是推动现有技术发展、将特定主题和问题置于科学界关注的有效手段，同时也是缩小受限社群在访问和参与塑造研究领域方面的差距的重要方式。本文回顾了过去几年里在机器学习及相关领域内最具影响力的竞赛，并分析了各个学科领域的挑战。对科学挑战的目标、主要成就和未来几年的期望进行了审视。

    Dec, 2023

  • ICML 2023 拓扑深度学习挑战：设计与结果

    这篇论文概述了在 ICML 2023《拓扑与几何在机器学习中的应用》研讨会中举办的拓扑深度学习的计算挑战，并描述了挑战的设计和主要发现。

    Sep, 2023

  • 基于深度学习的人脸识别特征表示全面分析

    本文综合评估了基于深度学习的面部表示在不同条件下的性能，仍需预处理，如姿态和光照归一化以在各种条件下取得更好的性能。

    Jun, 2016

  • CVPR 2020 计算机视觉持续学习竞赛：方法，结果，当前挑战和未来方向

    本文介绍了计算机视觉中的连续学习问题，通过举办首届连续学习竞赛的方式，评估和对比不同算法的性能和适用性，并总结了赢得比赛的算法和未来的研究方向。

    Sep, 2020

  • 表示学习：综述与新视角

    本文回顾了无监督特征学习和深度学习领域中的最新进展，讨论了学习良好的数据表示的适当目标，以及表示学习、密度估计和流形学习之间的几何联系。

    Jun, 2012