基于连续和质量引导标记函数的数据编程
本文提出了一种统一的生成模型,通过采用 DEM 随机微分方程(DEM-SDE)对 DEM 质量进行统一增强,该方法在同时进行超分辨率和填充空缺方面表现出竞争性的性能。
Jul, 2024
传统的监督学习模型中,学习器的目标是基于一些类别中最适应的概念,通过学习任意分布的示例,输出一个与之相差不超过 epsilon 的假设。本研究引入了平滑分析框架,要求学习器只需与对小的随机高斯扰动具有鲁棒性的最佳分类器竞争,从而提供了广泛的学习结果。此类别包括依赖于低维子空间(即多索引模型)和具有有界高斯曲面积的概念。有趣的是,我们的分析还为传统的非平滑框架(如学习边际)提供了新的结果。特别地,在时间复杂度为 k ^poly(log(k)/(epsilon * gamma))的算法中,我们首次获得了关于 k 半空间求交的无偏学习算法,这里 gamma 是边际参数。在之前的工作中,最优的运行时间复杂度是指数级的(Arriaga 和 Vempala,1999 年)。
Jul, 2024
通过将概念特征映射到预训练生成模型的潜在空间中,我们提出了一种新方法,以生成高质量的可视化结果并提供直观、交互式的解释方式。我们验证了该方法在可解释预测网络准确性、重构保真度以及概念学习的忠实性和一致性方面的有效性。
Jul, 2024
在机器学习中,剂量 - 反应预测是癌症领域的一个活跃应用领域。该研究使用大型 extit {in-vitro} 药物敏感性筛选库,旨在开发准确的预测模型,用于指导实验设计或决策治疗。通过改进以前的工作,利用置换不变的多输出高斯过程,我们开发了一种变分近似模型,以提供可扩展性建模,并对缺失数据进行自然处理。此外,我们提出使用深度生成模型以连续方式编码化学空间,从而能够预测新药物和新组合。我们在简单的高通量数据集中展示了模型的性能,并证明该模型能够有效地借用输出信息。
Jun, 2024
本研究论文探讨了在计算机视觉任务中,超分辨率学习取得了显著的成功,但获取高质量的标注数据仍然是一个瓶颈。作者调查了 AI 辅助深度学习图像标注系统的学术和非学术作品,这些系统为注释者提供关于输入图像的文本建议、标题或描述,从而提高注释效率和质量。研究涵盖了各种计算机视觉任务的标注,包括图像分类、目标检测、回归、实例、语义分割和姿态估计。作者回顾了各种数据集以及它们对 AI 辅助标注系统的训练和评估的贡献。此外,作者还研究了利用神经符号学习、深度主动学习和自监督学习算法实现语义图像理解和生成自由文本输出的方法,包括图像字幕生成、视觉问答和多模态推理。尽管前景看好,但 AI 辅助图像标注与文本输出能力的公开可用作品有限。文章最后提出了未来研究方向的建议,强调了更多公开可用的数据集和学术界与工业界合作的必要性。
Jun, 2024
本研究介绍了一种针对方言的新型边界增强联合能量模型(MEJEM),用于方言中的 OOD 检测。通过集成生成模型和能量边界损失,我们的方法旨在增强方言识别系统的鲁棒性。此外,我们探索了两种 OOD 得分的方言检测方法,研究结果明确表明能量得分优于 softmax 得分。利用锐度感知最小化优化联合模型的训练过程,通过最小化损失和锐度的方法增强模型的泛化性。在方言识别任务上进行的实验证实了基于能量的模型的有效性,并提供了有价值的性能见解。
Jun, 2024
本文提出了一种新颖的方法来增强测试时间内的医学图像分割,通过将生成模型整合到测试时间扩充中,可以有效地生成给定测试样本的多个视图,从而提高分割结果的可靠性。
Jun, 2024
我们引入了一种新颖的基于图对比的图匹配框架(GCGM),利用大量的图扩充进行对比学习,无需任何额外的辅助信息,通过各种实验证实,我们的 GCGM 在各个数据集上超过了最先进的自监督方法,迈向了更有效、高效和通用的图匹配。
Jun, 2024
该研究探讨了学习用于非刚性图像编辑的个性化身份先验的新任务,并提出了一个两阶段框架 LIPE,通过利用同一主题的有限图像集来定制生成模型,并利用学习到的先验进行非刚性图像编辑。实验结果在定性和定量方面证明了我们的方法在各种编辑场景中相对过去相关领先方法的优势。
Jun, 2024
我们提出了基于强化学习的 RLAC 框架,通过结合强化学习的探索能力和监督学习的开发能力,解决了多标签正负样本学习问题,并在多个任务中进行实验证明了我们框架的泛化和有效性。
Jun, 2024