IJCAIJul, 2019

弱监督增强的生成网络对于问题生成

PDF
TL;DR本文介绍了一种新的自动问答生成模型 WeGen，采用 Weak Supervision Enhanced Generative Network 和 Multi-Interaction mechanism 技术，在自动评估和人工评估实验中表现出高效的问答生成质量。
automatic question generationneural-based methodsencoder-decoder frameworkweak supervision enhanced generative networkmulti-interaction mechanism
发现论文，激发创造
  • ESALE：增强源代码摘要对齐学习的方法

    通过多任务学习范式，利用三个以摘要为重点的任务训练编码器，提出了一种新的改进代码摘要的方法，这三个任务包括单向语言建模（ULM）、掩码语言建模（MLM）和动作词预测（AWP）。实验证明，我们的方法 ESALE 在四个数据集上的表现明显优于基线模型，包括 BLEU、METEOR 和 ROUGE-L 三个广泛使用的指标。

    Jul, 2024

  • 非自回归个性化捆绑生成

    本文介绍了一种基于非自回归机制的个性化捆绑生成方法，采用了预训练技术和图神经网络来提取用户偏好和物品兼容性信息，并使用自注意力机制的编码器来提取全局依赖模式，进而设计了一种置换等变的解码架构，能够直接一次性输出所需的捆绑，实验结果表明，所提出的 BundleNAT 在精度、增强精度和召回率上相较于当前最先进方法显著提高了 35.92％、10.97％和 23.67％。

    Jun, 2024

  • 命题逻辑等价关系自动问句生成

    通过使用自动化问题生成的方法，我们实现了针对每个学生的定制问题，研究了针对离散数学的逻辑等价问题的自动问题生成方法，并证实了该方法在教育中自动化问题生成方面的实用性。

    May, 2024

  • 基于知识图谱和改进注意力机制的文本分类

    为了解决文本中的语义模糊问题，我们提出了一个模型，创新地将知识图谱与改进的注意机制结合起来。该模型在字符和词级别上运作，通过集成概念来加深对文本的理解。我们首先采用信息增益选择重要词，然后采用编码器 - 解码器框架对文本及相关概念进行编码。本地注意机制调整每个概念的权重，在分类过程中减少不相关或噪声概念的影响。我们改进了本地自注意机制中注意分数的计算公式，确保文本中不同频率出现的词语获得更高的注意分数。最后，该模型采用了双向门控循环单元（Bi-GRU），从文本中提取特征以提高分类准确性。该模型在 AGNews、Ohsumed 和 TagMyNews 等数据集上达到了 75.1%、58.7% 和 68.5% 的准确率，展示了其在分类任务中的有效性。

    Jan, 2024

  • IPAD：一种基于迭代、并行和扩散的场景文本识别网络

    提出了一种使用并行和迭代解码器，并采用易先原则解码策略的替代方案，将文本识别视为基于图像的条件文本生成任务，并采用离散扩散策略，确保双向上下文信息的穷举性探索。大量实验证明，该方法在基准数据集上取得了优越的结果，包括中英文文本图像。

    Dec, 2023

  • GPT-4 增强型自动驾驶多模态基础：借助大型语言模型的跨模态注意力

    在自动驾驶车辆领域中，准确识别指挥者意图并在视觉环境中执行语言指令是一个巨大的挑战。本文介绍了一个复杂的编码器 - 解码器框架，用于解决自动驾驶车辆中的视觉 grounding 问题。我们的 Context-Aware Visual Grounding (CAVG) 模型是一个先进的系统，将文本、图像、上下文和跨模态的五个核心编码器集成到一个多模态解码器中。该模型通过实施多头跨模态注意力机制和区域特定动态 (RSD) 层，能够高效处理和解释一系列跨模态输入，从而全面理解口头指令和相应的视觉场景之间的相关性。在真实世界基准数据集 Talk2Car 上的实证评估表明，CAVG 在预测准确性和操作效率方面树立了新的标准。值得注意的是，即使在完整数据集的 50% 到 75% 的有限训练数据的情况下，该模型表现出色。这一特点凸显了它在实际自动驾驶应用中的效果和潜力。此外，CAVG 在挑战性场景中展现出了卓越的强健性和适应性，包括长文本命令解释、低光条件、模糊的命令上下文、恶劣天气条件和人口密集的城市环境。该模型的代码可在我们的 Github 上找到。

    Dec, 2023

  • CrackCLF: 基于闭环反馈的自动道路裂缝检测

    基于深度学习的自动路面裂缝检测中，通过将闭环反馈嵌入神经网络，提出了 CrackCLF 模型，通过前端分割生成裂缝地图，并通过后端的多尺度损失函数修正标签和裂缝地图之间的高阶不一致性，从而解决了开环系统的问题，并在多个公共数据集上超越其他方法的结果表明了所提出的 CrackCLF 模型的优越性。

    Nov, 2023

  • 更长范围上下文化的遮蔽自编码器

    我们提出了一种自我监督学习框架，称为 “长程上下文化蒙版自编码器（LC-MAE）”，该方法能够有效地利用全局上下文理解视觉表示，同时减少输入的空间冗余。通过从多个视角学习完整像素和稀疏像素的本地表示，LC-MAE 能够学习到更具有区分性的表示，从而在 ImageNet-1K 上使用 ViT-B 实现了 84.2% 的 top-1 准确率，比基准模型提高了 0.6%。LC-MAE 在下游语义分割和细粒度视觉分类任务中取得了显著的性能提升，并在多个鲁棒性评估指标上均取得了优异的结果。

    Oct, 2023

  • PointHR: 探索高分辨率三维点云分割架构

    我们在这篇论文中探讨了高分辨率架构用于三维点云分割，提出了一种名为 PointHR 的统一流水线模型，并通过在 S3DIS 和 ScanNetV2 数据集上的实验证明其优越性。

    Oct, 2023

  • 一种改进的食物能量估计的编码器 - 解码器框架

    通过改进的编码器 - 解码器框架，我们能够从单个单目图像中估算食物的能量信息，通过在易于提取的格式中嵌入图像并由解码器提取能量信息，实现超过 10% 的改进，MAPE 上高于以往的能量估算方法超过 30 kCal 的改善。

    Sep, 2023