本文探讨异常检测中的零样本适应问题,并提出了一种简单而高效的基于批归一化和元训练的零样本异常检测方案,在表格数据和图像数据中获得了最新的表现。
Feb, 2023
本研究提出了一种在冷启动环境下具有鲁棒性的自动语音评分框架,使用自我监督学习方法,通过使用提示嵌入、问题上下文嵌入和预训练语音模型等方法解决了冷启动问题,并在评价已知内容方面优于基线。
Jun, 2023
本文探讨了在低资源环境下使用领域适应、数据增强、零样本分类以及参数高效的微调等四种方法来解决对话 NLU 提供商在扩展到数千个意图分类模型时遇到的存储空间限制问题,结果表明这些方法对于不同程度的低资金环境下效果有效,在使用 T-few 配方提出的参数高效昆虫微调语言模型的 Flan-T5 上获得了最佳性能,即使只有一个样本每意图。我们还展示了使用意图描述促进 LLM 的零样本方法。
May, 2023
本研究提出了一种通用方法,利用元数据和多模型集成技术来解决冷启动问题,并通过加权平均预测的集成方法来提高预测准确性,实验结果表明,与单个模型相比,多模型集成方法显著提高了预测准确性。
提出了一个简单而强大的多尺度记忆对比框架用于零 / 少样本异常检测,在 Visual Anomaly and Novelty Detection (VAND) 竞赛中取得了零样本组第四名和少样本组第二名的显著成果。
Aug, 2023
通过使用侧信息的相似度和参数学习方法,本文提出了两种用于回归的零样本方法,用于预测气象站的空气污染物数量,并在人工数据集、UCI 存储库社区和犯罪数据集以及污染物方面进行了比较。这两种方法均优于基线方法,但参数学习方法表现出了较高的优越性。
Feb, 2024
本研究提出了一种基于预训练语言模型的情感分析方法来解决冷启动问题,并引入了一个评估方法来验证其有效性。
利用从其他地理位置提取的知识,我们提出了一种新颖的零样本学习方法,用于预测新的未监测位置的各种气候测量值,该方法在预测微气候变量方面超越了传统的天气预测技术。
Jan, 2024
本文提出了一个增强后的少样本弱监督深度学习异常检测框架,结合了数据增强、表示学习和序回归方法,并在三个基准数据集上进行了评估和展示其性能。
Apr, 2023
本文旨在解决视觉主动学习中的初始查询选择偏见问题,通过对比学习的三个优势:无需注释、伪标签确保标签多样性、对比特征确定典型数据减少离群值,进行实验验证,并在初始查询方面明显胜过现有的主动查询策略和随机选择,取得了良好效果。
Oct, 2022