ACLOct, 2021

SEPP: 针对对抗文本的防御和检测中的预测概率相似度估计

PDF
TL;DR该论文提出了一种基于相似度估计的预测概率的集成模型 (SEPP)，用于纠正分类器对误分类文本的不正确预测，并展示了该模型在不同类型的受害者分类器、分类任务和对抗攻击中识别和捍卫信息安全的鲁棒性。
发现论文，激发创造
  • 划分、集成与征服：自主域适应中的最后一英里 - 车载语义分割

    提出了 DEC，这是一个灵活的多源数据集的 UDA 框架，通过将语义类别进行分类，并使用仅在合成数据集上训练的集成模型将它们的输出融合，来解决研究中的合成多源数据集的挑战，以获得最终的分割掩模，并可以与现有的 UDA 方法相结合，在 Cityscapes、BDD100K 和 Mapillary Vistas 上实现了最先进的性能。

    Jun, 2024

  • 通过深度学习和精调的大型语言模型构建集成模型以提升实体识别性能：多源不良事件抽取案例研究

    本篇研究旨在评估 LLMs 和传统深度学习模型在提取 AE 信息方面的有效性，并评估这些模型集成对性能的影响。研究发现，利用优化后的传统深度学习模型和 LLMs 进行集成，能够在提取疫苗、注射和不良事件方面实现最高性能，同时对整体性能的评估也得到了显著提高。这项研究对生物医学自然语言处理的发展做出了贡献，并为从文本数据中提取 AE 相关信息的药物监测和公共卫生监测提供了宝贵的见解。

    Jun, 2024

  • 优化复杂绩效指标的通用在线算法

    我们介绍和分析了一种通用的在线算法，适用于二元、多类和多标签分类问题中的各种复杂性能指标，该算法的更新和预测规则简单且计算效率高，无需存储任何过去的数据，而且对于凹函数和平滑度函数达到了 O (ln n/n) 的遗憾，并通过实证研究验证了所提算法的效率。

    Jun, 2024

  • 倾斜与平均：最后一层的几何调整用于重新校准

    神经网络的校准问题及权重调整算法 Tilt and Average (TNA) 的实证和理论验证

    Jun, 2024

  • 使用鲁棒非参数统计方法测量模型变异性

    深度神经网络的训练通常涉及随机优化，种子的选择对于训练模型的质量至关重要，本文通过鲁棒的假设检验提出了一个新的网络相似性的统计量，利用该统计量来指导随机种子的选择，同时展示了该统计量在实验中的价值和在迁移学习中调优相比随机种子选取的优势。

    Jun, 2024

  • 纹理可缩放的通用对抗干扰

    通过在整个图像领域内添加约束并横向和纵向重复来填充一个具有小尺度的场景无关扰动 (UAP) 地图，我们提出了一种纹理尺度约束的 UAP 改进方法 (TSC-UAP)，它可以自动产生具有类别特定局部纹理的 UAP，更容易愚弄深度模型，从而在愚弄率和攻击可迁移性方面实现了显著的改进。

    Jun, 2024

  • 基于 LLM 的说话人分离修正：通用方法

    使用大型语言模型进行后处理的讲话者辨析能够显著提高辨别的准确性，并研发了能够适用于不同自动语音识别工具的综合模型。

    Jun, 2024

  • 一种使用元启发式和深度学习方法的急性淋巴细胞白血病诊断模型

    一个基于 ResNet 的特征提取器用于检测急性淋巴细胞性白血病（ALL），结合各种特征选择器和分类器，通过多种迁移学习模型提取深层特征后，利用 MLP 分类器对选定数据集中的 ALL 和 HEM 进行分类，取得了卓越的 90.71％准确性和 95.76％的敏感性，并且在该数据集上优于其他方法。

    Jun, 2024

  • 基于模糊推理系统的集成深度随机向量函数链神经网络

    基于模糊推理系统的基于集成深度随机向量功能链接的神经网络提供了更强大的特征学习能力，优于基线模型，并且具备可用的源代码。

    Jun, 2024

  • 超越差异：对分布偏移理论的深入研究

    在分布转移理论中，通过采用不变风险最小化（IRM）类似的假设连接分布，研究源分布到目标分布的分类器，揭示了源分布数据足够准确分类目标的条件，并讨论了在这些条件不满足时，只需目标的无标签数据或标记目标数据的情况，并提供了严格的理论保证。

    May, 2024