端到端学习的极限
通过与逐层训练进行比较,本文重新考虑为什么端到端训练能够表现出卓越性能,并分析了中间表示的信息平面动态,揭示了端到端训练在不同层中展示不同信息动态的能力,以及表明层间的合作相互作用需要被考虑在深度学习的信息瓶颈分析中。
Feb, 2024
本文介绍了一种基于强化学习的新型端到端对话系统学习框架,用于解决模块化任务完成功能对话系统在训练和使用中面临的挑战。研究的实验表明,该端到端系统不仅在客观和主观评估中优于传统的模块化对话系统基线,而且在处理语言理解模块的各种误差时具有稳健性。
Mar, 2017
本文针对网络集成进行了端到端 (E2E) 的训练研究,揭示了 E2E 训练中出现的明显失败案例,发现过参数化模型的 E2E 训练将无法完成,还发现最佳性能有时可以在集成和 E2E 系统之间取得。同时,本文还揭示了与 Dropout 的联系,引发了关于集成多样性和多分支网络性质的问题。
Feb, 2019
将机器学习、约束优化、端到端学习、不确定性和对抗训练作为关键词,该论文提出了一种统一框架来解决不确定性模型,并通过端到端对抗训练进行了实践求解,最后通过实际的电力系统运行问题的评估,包括负荷预测和顺序调度任务。
Dec, 2023
本文介绍了一个基于身体型机器学习的代理系统,通过与人群工作者互动,改进自身。我们通过多次自动化的人 - 代理交互,学分分配,数据注释,重训练和重新部署模型来证明代理改进。
Apr, 2022
本论文综述了使用机器学习的端到端方法对全自动驾驶进行的实验和研究,讨论了输入和输出模态、神经网络架构和评估方案,着重关注了可解释性和安全性这两方面的挑战,并提出了一种将端到端自动驾驶系统中最有前途的元素结合在一起的架构。
Mar, 2020
比较端到端训练和模块化方法的样本复杂性,重点是在需要极高准确度的自动驾驶应用中,我们演示了端到端方法所需的训练样本数量指数级别大于语义抽象方法所需的样本数量。
Apr, 2016
为了在随机优化中实现端对端学习,我们发展了一种基于贝叶斯解释的算法,并提出了一种训练决策映射的全新算法,用于输出经验风险最小化和分布式鲁棒优化问题的解决方案。通过对合成售货员问题和基于真实数据的经济调度问题进行数值实验,阐明了替代培训方案之间的关键差异以及决策映射的神经网络架构对测试性能的影响。
Jun, 2023