Feb, 2018
预测与约束：深度结构化预测中的基数建模
Predict and Constrain: Modeling Cardinality in Deep Structured Prediction
Nataly Brukhim, Amir Globerson
TL;DR本文介绍了一种基于深度学习的结构化预测模型，着重于在该类模型中捕捉参数约束。研究通过新颖的深度架构介绍了如何引入参数约束，并在多标签分类基准测试中取得了最先进的结果。
Abstract
Many machine learning problems require the prediction of multi-dimensional
labels. Such structured prediction models can benefit from modeling
dependencies between labels. Recently, several deep learning approaches
multi-dimensional labelsstructured prediction modelsdeep learning approachescardinality constraintsmulti-label classification benchmarks
发现论文，激发创造
集合基数和状态分布联合学习
我们提出了一种使用深度学习来学习预测集合的新方法。我们的方法通过联合学习目标集合的基数和状态分布来实现排列不变的集预测，证明了我们的方法在多标签图像分类任务上取得了最新的技术水平。
Sep, 2017
使用整流器网络学习结构预测的约束条件
本研究旨在解决自然语言处理的结构预测问题中限制管控的好坏与实现的关系，提出了一种基于双层整流网络的学习限制方法，可以通过学习网络的参数生成一系列线性约束，从而提高 NLP 任务的预测准确性。
May, 2020
结构化预测级联
本文提出了一种基于‘Structured Prediction Cascade’的新型结构预测方法，通过一系列逐步添加模型的方式，可以有效实现对输出状态空间的过滤和精细调整，并且在优化过程中控制过滤效率与准确率的平衡，通过对模型进行不断优化，显著提升结构预测任务的效率与准确性。
Aug, 2012
关于结构化预测中的认证泛化
在结构化预测中，我们提出了一种新的 PAC-Bayesian 风险界来处理非分离因素和违反 i.i.d. 假设的情况，并按照生成模型的研究，将数据生成为基于 Knothe-Rosenblatt 排序的因子参考测量，以显式提取随机输出变量之间的结构，从而为有挑战性的结构化预测下游任务建立归纳界限提供了初步步骤。
Jun, 2023
Deep Perm-Set Net: 使用深度神经网络学习如何预测具有未知排列和基数的集合
本文提出了一种使用深度神经网络学习预测具有未知置换和基数的集合的新方法，通过交替优化估计置换的分布，在目标检测和 CAPTCHA 问题上超越了最先进的检测器，并意外发现该方法获取了模拟算术的能力。
May, 2018
及时预测结构：推理的回归
通过结构约束和组合推理，我们构建了一种基于提示的方法用于零和少样本的语言结构预测，在两个结构预测任务和五个数据集上的结果表明，强制一致性不仅构建了结构上有效的输出，而且还改善了性能。
Jan, 2024