通过语义匹配识别模糊相似的情况
通过提出一种新的条件语义文本相似度任务 (conditional STS,C-STS),旨在找到一个针对性的自然语言条件方面来测量句子之间的相似度,可以减少 STS 的主观性和模糊性并利用多样的条件实现细粒度的相似度评估,并使用各种最先进的模型证明了 C-STS 的挑战性。
May, 2023
本研究提出了一种简单而有效的对比学习框架来解决 Contrastive Self-supervised Learning (CSL) 中样本不足问题,将同一个输入的不同视角拉近,不同输入的视角推远,提高了视觉表征的质量,并在 ImageNet-1K 数据集上表现出了超越完全监督训练版本的性能。
Aug, 2022
通过重新注释 C-STS 验证集,并经过全面的数据集分析,我们改进了 C-STS 任务,利用模型理解 QA 任务设置中的条件,从而生成答案,并提出了一种自动错误识别流水线,能够以 80% 以上的 F1 得分识别 C-STS 数据中的注释错误。此外,我们还提出了一种新方法,通过将答案与模型进行训练,大大提高了 C-STS 数据上的性能。最后,我们讨论了基于实体类型的条件性注释方法,并展示了实例中,基于类型 - 特征结构 (TFS) 的方法能够为构建具有新条件的 C-STS 数据提供语言基础。
Jun, 2024
本文提出 AVSL 框架,用于更精确和可解释地衡量图像之间的相似度,通过基于人类语义相似性认知构建通用相似性学习范式,使用图形以及自下而上的相似性构建和自上而下的相似性推断框架,在语义层次一致性的基础上推断相似性,取得了显著的改进,并验证了框架的可解释性。
Mar, 2022
本文提出了一种名为 Css-Net 的共识网络模型,通过包含四个不同组成者的共识模块,采用 Kullback-Leibler 散度损失来使它们通过学习减少从噪声三元组中学习到的偏差并达成一致,进而减轻三元组歧义问题,提高基准测试的重要性能。
Jun, 2023
本文提出了一种基于实例区分的方法 PairSupCon,旨在通过高级分类概念编码在语义蕴含和矛盾理解之间建立联系。该方法在各种下游任务中均取得了极好的效果,超过了先前的最先进方法。
Sep, 2021
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
本文提出了一种语义对比学习的方法(SCL),将距离的聚类结构引入到无标注数据的特征空间中,并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别,以在发现未知类别决策边界方面具有显着优势。实验证明,SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法,尤其是在更具挑战性的精细和较大的数据集上。
Mar, 2021