Mar, 2022

超锥：概念元学习基于异质专家的统一用户分割

PDF
TL;DR研究用户分割问题，通过 SuperCone 系统中的数字足迹，使用超级学习方法建立预测模型，灵活地 “适应” 异构专家来实现用户分割，并在实验证明此方法的优越性。
user segmentationdigital footprintssuper learningprediction tasksheterogeneous experts
发现论文，激发创造
  • MetaCon：具有万亿概念元学习的统一预测分段系统

    本文介绍了采用元学习方法开发的 MetaCon 系统，该系统运用扁平概念表示法，结合整个预测任务谱，有效地解决长尾预测任务的数据质量问题，从而在推荐系统和排序方面实现了明显的改进。

    Mar, 2022

  • 使用稀疏专家混合模型学习大规模通用用户表示

    本研究提出了一种通用框架，名为 SUPERMOE，用于从多个任务中获得高质量的用户表示，具体方法是通过 MoE 变压器对用户行为序列进行编码，利用任务指标设计了新的损失函数，实验结果表明 OUR 方法在公共数据集和私有真实世界业务场景上取得了最佳性能。

    Jul, 2022

  • 利用元语义学习进行 3D 模型 ShapeNet Core 分类

    本文介绍了一种称为元语义学习 (Meta-SeL) 的方法，该方法利用两个输入的 3D 局部点（输入 3D 模型和部分分割标签），提供了一种时间和成本高效、精确的投影模型，用于许多 3D 识别任务。根据结果表明，Meta-SeL 在与其他复杂的最新研究的比较中，表现出了竞争性能。此外，Meta-SeL 对随机洗牌不变性具有弹性，也对平移和抖动噪声有较高的鲁棒性。

    May, 2022

  • 多用户环境中的符合性预测评估

    在多用户设置中，我们评估了共形预测框架，并通过使用不同的评估策略进行了大量实验，发现在共形性能指标方面存在显著差异。同时，我们提出了基于矩阵、图表和图形的多个可视化方法来捕捉预测集的不同方面。

    Dec, 2023

  • 少样本学习的概念学习器

    COMET 是一种元学习方法，通过学习沿着可解释的人类概念维度的模式知识，从而改进泛化能力，而不是学习一个联合的无结构度量空间。在各种领域中的少样本任务中，COMET 的表现优于强元学习基线，且提供模型预测背后的解释。

    Jul, 2020

  • CAST：自适应段标记的并发识别和分割

    通过无监督学习，本研究提出了一种基于像素、分割区域和完整图像级别同时学习的分层图像识别方法，通过引入自适应段落令牌和图池化来实现多尺度分割，同时提高识别精度和计算效率。

    Oct, 2022

  • UNICON: 电子商务中基于行为的消费者分割的统一框架

    利用丰富的消费者行为数据，我们引入了一个统一的深度学习消费者细分框架 UNICON，用于提取两种关键类型的细分，即 “类似人群”，通过类似行为扩展预定义目标种子段与消费者的行为相似者，以及 “数据驱动”，揭示具有相似关联性的非显而易见的消费者细分。通过大量实验，我们展示了该框架在时尚领域中识别类似设计师受众和数据驱动风格细分方面的效果，并展示了如何将细分信息与基于超和基于群体的个性化相结合的混合推荐系统中，以充分利用两种选择的优势并改善消费者体验。

    Sep, 2023

  • 一种可微元学习模型用于少样本语义分割

    该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

    Nov, 2019

  • 一种新的集成学习框架用于三维生物医学图像分割

    提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

    Dec, 2018

  • 医学图像中高效的子类分割

    文章中提出了一种新的方法来实现医学影像的细粒度子类分割，通过利用任务驱动的数据生成方法、先验拼接模块以及分层混合模型等技术手段，使模型在有限的子类注释数据和充分的高层次注释数据下实现与仅采用子类注释数据相近的结果。

    Jul, 2023