利用语义嵌入为安全关键应用增强

CVPRMay, 2019

利用语义嵌入为安全关键应用增强

Leveraging Semantic Embeddings for Safety-Critical Applications

Thomas Brunner, Frederik Diehl, Michael Truong Le, Alois Knoll

TL;DR本文提出了在神经网络分类器中使用 Semantic Embeddings 来增加自省和错误检测能力，使用从符号领域知识中创建语义嵌入表示，提出了一种简单的错误检测方案，并引入了语义距离概念。通过在交通标志分类器上评估，发现语义距离能够达到接近最先进的性能，计算速度显著快于其他置信度得分。我们的方法不需要对原始网络进行更改，因此适用于任何具有领域知识的任务。

Abstract

semantic embeddings are a popular way to represent knowledge in the field of zero-shot learning. We observe their interpretability and discuss their potential utility in a safety-critical context. Concretely, we

semantic embeddings zero-shot learning neural network classifiers error detection semantic distance

发现论文，激发创造

基于层级结构的图像嵌入方法用于语义图像检索

该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。

Sep, 2018

语义投影：从词嵌入中恢复多个不同物体特征的人类知识

该研究探讨了一种计算模型，即词嵌入模型，通过将词表示为多维空间中的向量，从词汇共现模式中学习来自语义记忆中的常见知识，并提出了语义投影的解决方案，以检验词嵌入模型是否能够恢复多种语义特征和对象属性的上下文依赖关系。

Feb, 2018

语义漏洞嵌入的漏洞聚类与其他机器学习应用

利用自然语言处理技术获得漏洞空间的简洁表示，并作为机器学习应用的基础，支持网络安全研究人员和分析师进行风险评估等相关活动。

Aug, 2023

词嵌入的语义结构和可解释性

该研究提出了一种统计方法来揭示密集词嵌入中的潜在语义结构，并引入了一个新的数据集（SEMCAT），其中包含超过 6500 个在 110 个类别下语义分组的单词。研究还提出了一种量化词嵌入可解释性的方法，这是一种实用的替代方法，不需要人为干预。

Nov, 2017

通过度量学习提高语义嵌入一致性，用于零样本分类

本文提出了一种新的零样本图像分类方法，通过度量学习来控制图像的语义嵌入，实现了不需要在训练阶段使用类别的零样本学习，仅需在地面实况中提供以图像 / 属性为对的约束关系，使得学习模型可以预测一个测试图像与给定属性的一致性，并且该方法在四个挑战性数据集上取得了最好的效果。

Jul, 2016

本体嵌入：方法、应用和资源综述

本文系统回顾了本体嵌入领域的 80 多篇论文，介绍了本体的不同语义以及数学和机器学习的视角下的本体嵌入的定义和特性，并对几种技术解决方案进行了分类和分析，包括几何建模、序列建模和图传播等。此外，还介绍了本体嵌入在本体工程、机器学习增强和生命科学中的应用，并讨论了挑战和未来方向。

Jun, 2024

基于代替的语义变化检测使用上下文嵌入

使用上下文嵌入测量语义变化的简化方法，仅依赖于最可能替代被遮盖术语的方法，不仅这种方法可直接解释，而且在存储效率、性能及变化细致调查方面均表现优越。

Sep, 2023

学习和评估稀疏可解释的句子嵌入

本文通过引入稀疏表示的思想将 word embeddings 应用到 sentence embeddings 中，基于主题连贯性方法引入了一种新的、定量的自动化评估指标，并在电影对话数据集和 MS COCO 数据集的场景描述上观察到了 interpretability 的提高。

Sep, 2018

通过语义嵌入的凸组合实现零样本学习

本文介绍了一种简单的图像嵌入系统构建方法，可以从现有的任何 n-way 图像分类器和语义词嵌入模型中构建，该方法通过使用类标签嵌入向量的凸组合将图像映射到语义嵌入空间中，不需要进行额外的训练，该方法在 ImageNet 零样本学习任务上表现优异。

Dec, 2013

利用人类相似度评判修剪词向量以提高可解释性

通过一种有监督学习方法，针对特定领域（例如运动、职业），识别出一组强烈改善人类相似度判断预测的模型特征子集，并通过两种方法解释所保留特征的语义，从而揭示了人类如何根据性别包容性和国际性来区分运动类别，以及不同领域中特征对不同语义维度的预测能力。对于职业特征而言，最能预测认知、情感和社会维度，而对于水果或蔬菜特征而言，则最能预测味觉维度。讨论了对于人工智能系统与人类知识之间的对齐的意义。

Oct, 2023