语义频道均衡的隐变量空间软分区
我们通过一个语义和目标导向的通信系统,放宽了代理之间的共享语言的约束,以探索在分布式任务求解中语言不匹配的影响。我们提出了一个数学框架,模拟并度量了代理使用不同语言时引入的语义失真,并通过数值评估证明了一种新的语义通道均衡方法的有效性。
May, 2024
本篇论文探讨了多用户语义通信系统中由于不同语言导致的语义干扰问题,并提出了一种新的语义通道均衡器来解决这个问题。实验结果表明,该语义通道均衡器在操作复杂度和传输准确性方面优于传统方法。
Aug, 2023
通过简单的转换,我们的研究展示了神经网络模型中学习到的表示可以在不同的预训练网络之间进行转化,从而有效地连接编码器和解码器,并实现在多模态设置下的出色分类性能。
Nov, 2023
文章提出了一种更广义的标定误差度量定义,即划分校准误差(Partitioned Calibration Error - PCE),并探讨了如何对数据空间进行划分,以使得深度神经网络可以更准确地校准预测。作者提出了通过语义相关的划分函数来划分输入空间的想法,通过实验证明该方法在多个数据集和网络架构上都可以获得显著的性能提升,突显了划分标准对于训练校准和准确的深度学习模型的重要性。
Jun, 2023
通过对相对空间的角度保持相对表示的可逆性进行形式化,并假设神经模型中解码器模块的尺度不变性,我们将两种方法结合起来,通过相对空间获得潜在空间转换的新方法。通过在各种架构和数据集上进行大量实验证实了我们的尺度不变性假设,并证明了我们方法在潜在空间转换中的高准确性。我们还将我们的方法应用于任意预训练文本和图像编码器及其分类器之间的零射缝,甚至跨模态。通过组合性,我们的方法具有促进模型实际重用的显著潜力。
Jun, 2024
本文提出了一种名为自适应均衡学习(AEL)的半监督语义分割新框架,旨在应对 Cityscapes 数据集中某些特定类别性能较差(即长尾标签分布),通过自信度相应动态调整训练,包括数据增广、数据采样等策略,实验证明其优于同类方法,并在多种数据划分协议下在 Cityscapes 和 Pascal VOC 基准测试中取得了显著的性能提升。
Oct, 2021
我们介绍了一种名为 “基于词汇定义的语义” 的开创性方法,它在语言模型(LMs)的潜空间中建立了一个固定的参考框架,确保了在 LM 词汇基础上的绝对语义分析。通过广泛的实验,我们的方法超越了检索增强生成和参数有效微调的最先进方法,展示了它的功效和广泛适用性。
Jan, 2024
本文研究多任务协作智能中潜空间可扩展性,其中一个任务是对象检测,另一个任务是输入重构。通过对训练损失函数各项的缩放因子进行变化,可以使系统在实现对象检测准确性和输入重构质量之间的权衡时得到调整,实验结果表明与相关基准相比,该系统在这两个任务上具有可调整的性能。
May, 2021
在未来的 6G 无线网络中,语义和效能方面的通信将起到基础作用,将意义和相关性融入传输中。本文提出了一个新的面向目标的语义通信框架,通过潜在空间对齐来减轻语义不匹配问题。我们提出了一种动态优化策略,适应相对表示、通信参数和计算资源,实现了高效能、低延迟、面向目标的能源储效率的语义通信。数值结果表明我们的方法在减轻设备间不匹配问题的同时,优化了能源消耗、延迟和效能。
Mar, 2024