Oct, 2023

样式驱动的特征排序方法用于强鲁棒性新颖性检测

PDF
TL;DR在这篇研究中，我们提出了一种名为 Stylist 的新方法，通过去除环境偏差特征来改进新颖性检测算法，从而检测与任务相关的语义变化并对抗风格分布的变化。我们证明了这种特征选择机制在包含风格和内容变化的多个数据集上改进了新颖性检测算法。
novelty detectionsemantic changesstyle changesrobust novelty detectionenvironment-biased features
发现论文，激发创造
  • 环境偏向特征排名用于新颖性检测的鲁棒性

    我们提出了一种方法，利用预训练的嵌入和多环境设置，基于环境焦点对特征进行排名，以便在语义内容方面检测新奇性，并对无关因素变化进行不变性处理。通过计算特征在不同环境之间的分布方差，我们确定每个特征的得分，并通过丢弃得分高的特征来消除虚假相关性，在真实和合成基准测试中，我们的方法在协方差和子群体变化情况下提高了总体性能达 6%。

    Sep, 2023

  • 一种强健的似然函数模型用于新颖性检测

    本文针对深度神经网络在检测新颖性或异常性时容易受到输入数据微小变形的问题，提出了一个旨在学习强大的新颖性检测正确性的先验；同时，将该先验与最先进的新颖性检测方法相结合，并评估了该方法在攻击存在与否的情况下的性能表现，得到了较好的结果。

    Jun, 2023

  • 特征风格化与领域感知对比学习用于领域泛化

    提出了一种基于特征统计进行特征风格化的领域泛化框架，其中利用领域样式样本对原始特征进行低频成分的风格化处理，并利用领域感知的对比损失增加类别可区分性，得到在 PACS 和 Office-Home 两个基准测试上超越现有最先进方法的实验结果。

    Aug, 2021

  • 基于对比学习的分布偏移实例新颖性检测

    提出一种基于对比学习的简单而有效的方法，用于学习适合于新颖性检测的表示，并设计了一个基于该表示的评分方法。该方法通过对样本生成的分布进行平移增广来提高准确性，并在各种新颖性检测场景下，包括无标签单类，无标签多类和有标签多类设置，以及各种图像基准数据集上证明了其卓越性能。

    Jul, 2020

  • 文本风格转换：探索与评估

    本文提出使用对抗网络以学习分离内容表示和风格表示的方法来解决自然语言处理中的样式转移问题，并提出了新的评估指标来测量样式转移的转移强度和内容保留。作者在文章 - 新闻标题转移和正面 - 负面评论转移两个任务上评估了模型和指标，结果表明，所提出的模型的样式转移强度和内容保留得分比自动编码器更高，内容保留度指标与人类判断高度相关。

    Nov, 2017

  • 最近邻语言模型用于风格可控生成

    本文构建并评估了一种基于外部记忆的语言建模方法，利用政治正确、正式性和毒性等属性进行样式控制，结果显示基于样式专用数据存储器的生成性能得到了提高，但仍需在未来的工作中探索预训练数据和特定样式的效果。

    Oct, 2022

  • 阈值式新颖检测的持续改进

    在动态、开放的情境中评估时，神经网络在检测未知类别时遇到困难。本文提出了一种新方法，通过线性搜索和基于样本交叉验证选择门槛值，自动适应性地检测新颖性，从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。

    Sep, 2023

  • 多类别新颖性检测的深度迁移学习

    本研究提出了一种基于迁移学习的深度神经网络模型，通过采用新颖的成员损失函数和全局负过滤器增强了模型性能，从而实现有效的多类新颖物体检测。

    Mar, 2019

  • 跨域新类别发现的独特风格去除

    基于理论分析，我们引入了一个用于提取与基线特征不同的风格信息的独占风格去除模块，从而促进了推理过程，并且易于与其他 NCD 方法集成，作为插件来改善不同分布的新类别上的性能。此外，我们还建立了一个公平的基准，用于未来的 NCD 研究，同时在三个常见数据集上进行的大量实验证明了我们提出的模块的有效性。

    Jun, 2024

  • 利用众包数据表征变异性，训练神经语言生成器生成风格多样的输出

    使用文本分析方法，基于餐饮行业中的 50K 句子，对对话系统中从意义表示到生成自然对话的进行了探究，使用不同的风格分区来训练和生成自然对话，并证明了标记风格变量的方法可以调整生成对话的风格。

    Sep, 2018