Sep, 2023

使用最优输运损失进行场景图生成中的谓词分类

PDF
TL;DR本研究提出了一种使用最优传输作为比较两个概率分布的方法生成场景图，以解决在数据集中关系标签分布严重不平衡时，使用交叉熵损失导致的预测偏差问题，并通过预训练模型获取单词的相似性来定义最优传输的运输成本，实验证明所提方法相对于现有方法在平均 Recall@50 和 100 方面表现更好，并且提高了数据集中少量存在的关系标签的召回率。
scene graph generationoptimal transportpredicate classificationpre-trained modelrelationship labels
发现论文，激发创造
  • 使用最优传输学习有向图模型

    使用最优传输的方法实现了一个面向许多有向图的参数学习框架，可以灵活地从不完整数据中推断概率有向图模型中的潜在变量。在多个实验中，该方法展示了恢复真实参数和离散表示学习等任务上的优异性能。

    May, 2023

  • 通过最优输运改进序列到序列学习

    本研究提出了一种基于全局序列级别的指导和最优传输的解决方案来提高序列到序列模型的性能并捕捉长程语义结构，经实验证明该方法在多种 NLP 任务中能够实现一致的改进。

    Jan, 2019

  • 数据传输细粒度场景图生成

    本文提出了一种新颖的内外数据传输（ IETrans ）方法来解决场景图生成的两个数据分布问题，即长尾分布和语义歧义 。通过自动创建增强的数据集，该方法为所有谓词提供了更充分和连贯的注释，从而可应用于大规模带有 1,807 个谓词类的 SGG。最终，通过在增强的数据集上训练，使用神经因子模型可以在保持竞争性宏性能的同时，使得宏性能翻倍。

    Mar, 2022

  • 结构化最优输运

    本文提出一个非线性广义离散最优传输模型，可应用于领域自适应和自然语言处理中，同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。

    Dec, 2017

  • OTMatch：以最优传输方式改进半监督学习

    本文介绍了一种新的方法 OTMatch，通过使用最优输运损失函数，利用类别之间的语义关系，提高半监督学习的性能。与现有最先进的方法 FreeMatch 相比，在 CIFAR-10、STL-10 和 ImageNet 数据集上分别实现了 3.18%、3.46% 和 1.28% 的错误率降低，证明了我们方法在半监督学习中利用语义关系提升学习性能的有效性和优越性。

    Oct, 2023

  • 场景图生成中用于新组合的图密度感知损失

    本研究提出一种在场景图生成任务中能够处理零样本和小样本情况的密度归一化边缘损失函数，并且介绍了新的加权评估指标来提高模型性能。

    May, 2020

  • 利用最优输运对对抗鲁棒性进行下界限制

    本文研究了机器学习分类器对抗样本（躲避攻击）的鲁棒性，使用最优传输来表征在这一场景下可能的最小损失。作者应用该框架研究了高斯数据的情况，并探究了鲁棒性训练神经网络在 MNIST、Fashion MNIST 和 CIFAR-10 数据集上的最优分类性能与实际性能间的差距。

    Sep, 2019

  • 物体关系预测的逻辑偏差学习

    通过因果推断进行对象关系预测的场景图生成方法，结合对象增强模块，在 Visual Gnome 150 数据集上取得了有效的实验结果，为决策模型的基础建模提供了巨大潜力。

    Oct, 2023

  • 基于监督式最优输运和信息论度量的图形摘要的优势与局限性

    本研究旨在探索图形数据摘要方法实现最优输运模型，以及在受监督摘要问题中利用信息熵最大化类别标签与摘要图形间的互信息增强算法，该方法在合成和某些真实数据集上均得到了分类精度和时间性能的提高，并探讨了最优输运方法的信息单调性问题。

    May, 2023

  • SP$^2$OT：语义规范化的逐步偏差最优传输用于不平衡聚类

    我们提出了一个基于最优传输的伪标签学习框架来解决深度不平衡聚类问题，该框架通过逐步将样本转移到不平衡的聚类中生成高质量且注意不平衡性的伪标签。

    Apr, 2024