本文提出一种基于神经网络的自适应框架，借助神经架构搜索技术优化网络结构，使用最大均值差异和区域加权熵估计准确性度量，实现语义分割任务的无监督域自适应，提高现有自适应技术的性能表现。

Jun, 2021

本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

Apr, 2023

本文提出了一种新颖的神经进化方法来确定卷积自编码器的结构和超参数，使用超体积指标在神经架构搜索的背景下进行压缩图像来加快 AutoML 流程。

Jun, 2021

本文综述了自动机器学习领域中的最新研究进展，包括数据准备、特征工程、超参数优化和神经架构搜索等方面，并着重探讨了神经架构搜索的性能和发展方向，指出目前自动机器学习领域的存在的问题及未来研究方向。

Aug, 2019

我们提出了一种基于采样的 AutoML 方法，主要关注神经结构搜索和超参数优化，用于解决在构建大规模容量模型时的元规模生产中的挑战。我们的方法通过使用轻量级基于预测器的搜索器和强化学习来探索广泛的搜索空间，显著减少了模型评估的数量，在 CTR 和 CVR 应用的大容量建模实验中表现出杰出的投资回报率（ROI），相对于人工调优的基准，通过从精选的搜索空间中平均抽样一百个模型，达到高达 0.09% 的归一化熵（NE）损失减少或 25% 的每秒查询量（QPS）增加。我们的 AutoML 方法已经在实际应用中取得了成效，在 Instagram CTR 模型的大规模在线 A/B 测试中达到了高达 - 0.36% 的 NE 增益（相比现有的生产基准），并显示出统计上的显著改进。这些生产结果证明了 AutoML 的功效，并加速了它在 Meta 排名系统中的采用。

Nov, 2023

使用迁移学习方法减少神经自动机器学习的计算成本，在语言和图像分类任务中，Transfer Neural AutoML 在单任务训练收敛时间上节省了超过一个数量级。

Mar, 2018

本文提出了一种用于改善深度估计的 CNN 体系结构，该体系结合语义分割任务。所提出的模型是使用无监督方法进行训练的，并采用双目摄像系统的图像对。实验表明，使用语义分割的嵌入可以提高深度估计的性能

Sep, 2018

深度神经网络在单目结构光系统中的密集视差估计方面取得了显著进展，但在未知环境中应用时性能显著下降。为了解决这个问题，提出了自监督在线适应作为解决方案来弥合这种性能差距。本文提出了一种基于长序列输入的无监督损失函数，确保更好的梯度方向和更快的收敛。我们的损失函数是使用多帧模式流设计的，该流由序列中的投影模式的一组稀疏轨迹组成。我们使用基于滤波器的方法估计稀疏伪地面真实性，它引导了在线适应过程。我们提出的框架显著提高了在线适应速度，并在未知数据上取得了卓越的性能。

Oct, 2023

本文介绍了一种深度、生成式自编码器，它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法，我们证明了该方法在几个经典数据集上取得了最先进的生成性能。

Oct, 2013

采用预训练深度神经网络层作为基块构建多任务学习系统，通过动态选择相关的先验知识、模型参数和超参数进行自动调优，控制模型规模实现高质量模型与较小的规模之间的权衡，并在 10 个多样化的图像分类任务中，相对于标准调优，提高了平均精度 2.39％而使用了每个任务 47％ 以上的参数。

May, 2022