May, 2023

CPL-NoViD: 在线社区违规检测的基于上下文提示的学习

PDF
TL;DR本研究提出了一种使用基于提示的学习，用于检测在线社区中的规范违规行为。CPL-NoViD 通过自然语言提示将上下文融合到模型中，展示了对于不同类型的规则具有改进的性能，它不仅在跨规则类型和跨社区规范违反检测方面表现出色，而且在少样本学习场景中也表现出了适应性，取得了超越现有基准的新的最佳表现。
norm violation detectiononline communitiescontext-aware prompt-based learningfine-tuning modelsfew-shot learning scenarios
发现论文，激发创造
  • 在线对话中检测社区敏感规范违反行为

    研究了在线平台和社区内的行为准则，建立了更完整的社区准则和违规数据集，提出了一种基于上下文和社区的违规检测模型，并取得了显著的性能提升。

    Oct, 2021

  • 视觉语言理解的情境提示学习

    本文提出一种叫做上下文提示学习的框架，用于多模态学习中训练可对齐图像本地化特征并且能够适应当前任务的动态提示，通过应用于多个标准和少样本数据集上展示了比现有技术方法更优越的性能和强大的适用性。

    Jul, 2023

  • RENOVI: 一个解决社会文化对话中规范违反的基准

    推广 Norm 违规疗法，ReNoVi 是一个大规模对话语料库，包含 9258 个带有社会规范标注的多轮对话，以及定义了一系列任务，以逐步理解和纠正违规行为，从而使交互式 AI 系统具备疗法能力。

    Feb, 2024

  • 冻结视觉语言模型的测试时视觉识别中的上下文提示学习

    通过测试样本的无监督目标，在视觉识别任务中使用上下文提示学习来适应预训练的视觉 - 语言模型，并取得了在各种下游数据集上的有效结果。

    Mar, 2024

  • 概念引导下的提示学习进行视觉 - 语言模型泛化

    通过概念引导提示学习的方式，CPL 方法显著提高了通用化性能。

    Jan, 2024

  • 利用循环神经网络进行社交规范对话中的多模式识别

    本研究探讨了自动识别社交规范违规现象的任务，提出了一种预测模型，使用循环神经网络和多模态信息实现社交规范违规现象的标识，从而达到了 0.705 的 F1 分数，同时讨论了开发社交感知代理的工作的影响。

    Oct, 2016

  • LoCoOp: 基于 Prompt 学习的少样本场外检测

    我们介绍了一种名为 LoCoOp 的新方法，它针对 few-shot OOD 检测进行本地正则化的上下文优化，利用 CLIP 本地特征的部分作为 OOD 特征，并展示了它在大规模 ImageNet OOD 检测基准测试中的优越性。

    Jun, 2023

  • XCoOp：基于概念引导的上下文优化的计算机辅助诊断可解释式提示学习

    利用强大的视觉 - 语言模型（VLM）来完成各种下游任务已引起越来越多的关注。我们提出了一种新颖的可解释提示学习框架，通过在多个粒度上对医学知识、可以学习的提示和临床概念驱动的提示的语义进行对齐，来解决这个问题，并为提示提供了视觉和文本解释。通过对各种数据集进行广泛的实验证明，我们的方法同时实现了优越的诊断性能、灵活性和可解释性，为基础模型在促进可解释的人工智能方面的有效性提供了新的视角。

    Mar, 2024

  • 视觉语言模型的一致性引导提示学习

    本文提出一种名为 CoPrompt 的 fine-tuning 方法，用于提高大规模 foundation 模型在 few-shot 场景下 fine-tuning 过程中的泛化能力，实现方法包括强制任务输出一致性约束、在两个受扰动的输入之间进行一致性约束、并结合提示和适配器两种调整模式的优势来调整额外参数。实验表明，CoPrompt 在基于新颖类别、领域泛化以及跨数据集评估任务上均优于现有方法。

    Jun, 2023

  • 视觉语言模型的提示学习

    本文介绍了如何使用 CoOp, 一种基于学习来应用 CLIP vision-language 模型用于下游图像识别任务的简单方法，以解决使用自然语言描述类别来进行分类训练领域专业性强、耗时的问题，并证明其比手工制作的提示更好。

    Sep, 2021