- EMNLPChatGPT 增强的多阶段预训练用于多场景多领域对话摘要
我们提出了一种特定于多场景多领域对话摘要的新型预训练模型,它采用多阶段预训练策略来缩小预训练目标和微调目标之间的差距。实验结果表明,我们的预训练模型在完全微调、零样本和少样本设置下,显著优于先前的最先进模型。
- 自适应神经排序框架:面向级联排序系统的最大化业务目标
级联排序在在线广告和推荐系统中被广泛应用于大规模前 k 选择问题,而学习排序是优化级联排序系统模型的重要方法;本文提出了一种新颖的适应级联排序系统的优化目标的方法,通过多任务学习框架自适应地结合放松和完整优化目标的优化;并且引入置换矩阵表示 - 基础模型与可视化的结合:挑战与机遇
基于基础模型和可视化的研究交叉领域,探索可视化在理解、优化和评估复杂模型中所发挥的关键作用,提供了进一步探索该有前途领域的起点,同时也指出了相关挑战与机遇。
- 朝向连续学习的适应性问题内容检测统一框架
通过整合现有资源,利用其动态性打破研究报告断片化的问题,我们提出了一个持续学习的基准和框架,用于检测问题内容,在此基准上,优先考虑分类器对不断变化的任务的适应性而非特定任务的优秀表现,以捕捉演变中的内容并适应问题内容的新形式。
- 通过分散迭代规划实现逼真的 Minecraft 聚居地
以真实感和适应性为重点的过程城市生成是程序化内容生成 (PCG) 领域中的一个困难挑战,通过分散、迭代的规划过程,能够在类似的生成过程中产生 “有机” 内容。
- ACL通过正则表达式指令实现统一可控文本生成
我们的研究引入了正则表达式指令(REI),通过基于指令的机制来充分利用正则表达式的优势以统一地建模各种约束,支持多种常见的细粒度可控生成约束,并对它们的复杂组合进行建模。实验证明,我们的简单方法在各种约束下都能取得很高的成功率和适应性,并且 - 学习针对特定学习目标的主动学习策略
基于池的主动学习方法对于增加机器学习模型的数据效率具有潜力,但现有方法对数据集和训练设置选择非常敏感,因此不适用于一般应用。为了解决这个问题,学习主动学习(LAL)领域建议学习主动学习策略本身,使其能够适应特定的设置。本研究提出了一种基于关 - 基于 AutoBA 的自动生物信息学分析
Auto Bioinformatics Analysis (AutoBA) 使用大型语言模型设计,通过最小用户输入提供详细的各类生物信息学任务的步骤计划,经过专业生物信息学家的验证,在各种基因组学分析案例中证实了其鲁棒性和适应性,在保护数据 - ASF-Net:通过时间对齐和在线自适应学习实现稳健的视频去雨
近期,基于学习的视频去雨方法取得了令人赞赏的结果,但依然需要解决两个关键挑战:利用相邻帧之间的时间相关性以及对未知真实场景的适应性。为了克服这些挑战,我们从范式设计到学习策略构建方面探索了视频去雨,并提出了一种新的计算范式,即对准 - 移位 - 具有特征插入和删除的最小独立置换
通过研究算法 minHash 在动态插入和删除特征的情况下的表现,我们提出了一种高效、准确且易于实现的算法,通过适应性调整 minHash 草图,显著加快运行时间,并提供与从头开始运行 minHash 相当的性能。
- 走向小样本协同:重新审视《汉尼拔》游戏中的即兴团队配合挑战
合作式多智能体强化学习与零样本协同在近年来引起了极大的关注。本文通过构建一个基于合作多智能体游戏 Hanabi 的框架,在使用最新零样本协同算法时探究了多智能体强化学习方法的适应性,并发现在大多数情况下,顺序独立强化学习代理(IQL)与最新 - 轻量级数据集成:多工作流可信度与数据可观测性导向
现代大规模科学发现需要跨多个计算设施进行多学科合作,其中包括高性能计算(HPC)机器和边缘到云的连续体。综合数据分析在科学发现中起着至关重要的作用,特别是在当前人工智能时代,通过支持负责任的 AI 开发、FAIR、可重复性和用户调节。然而, - 基于元学习的自适应概率风电预测方法
通过离线学习和在线学习过程,本文研究了一种自适应概率性风力发电预测方法,该方法在基本预测模型中引入了元学习的内外循环更新,使其具备对不同预测任务(具有不同前导时间或位置的概率性风力发电预测)的优秀适应性。该方法在在线学习阶段与增量学习技术相 - 为生成式语言模型进行知情命名实体识别解码
提出了一种简单而有效的方法,Informed Named Entity Recognition Decoding (iNERD),将命名实体识别视为一种生成过程,利用近期生成模型的语言理解能力,并采用了基于信息提取的有限文本生成的解码方案, - CVPRGeneCIS: 一种通用条件图像相似性基准评估
本文提出基于 GeneCIS 基准的零样本评估,旨在衡量模型适应一系列相似性条件的能力,并提出了一种基于现有图像 - 标题数据集自动获取信息的简单可扩展的解决方案,实验结果表明我们的模型在 GeneCIS 上表现出色,并进一步提高了相关图像 - UADB: 无监督异常检测增强器
本文提出一种通用的 UAD Booster 框架,利用神经网络作为模型辅助器并考虑模型间差异自动校正的方法,提高异构 UAD 模型的适应性和检测效果。
- 通过交互式基于语境的语言指导重新定义具有代表性的代理人能力,改变以人为中心的 AI 协作
本文介绍了一种交互式的 “体现代理” 系统,它具有适应性,能够有效地处理自然语言指令,并提供反馈。同时,还介绍了一种用于收集有关该系统的大量文本指令的众包工具,以及该系统具有学习能力的数据集和基线模型。
- 混合提示正则化无需训练分割任何异常
我们提出了一种新的框架 —— 任意异常分割 +(SAA +),通过混合提示正则化来改善现代基础模型的适应性,实现了零样本异常分割,包括 VisA、MVTec-AD、MTD 和 KSDD2 在内的多个异常分割基准测试表现优异。
- 可配置的时空分层分析用于灵活的视频异常检测
设计了一种基于空时分层结构的可配置网络体系结构,并利用具有不同能力的基于自编码器的块获得正常模式,通过不断叠加和连接这些块,学习了分层的正常模式,适应了不同的检测需求和各种复杂程度的异常时,通过在三个基准测试中进行实验,并进行了广泛分析,结 - 深度感知相似性在模糊环境下具有适应性
本文探讨使用神经网络的深度感知相似度度量方法在不同场景下的适应能力以及性能表现,并在采用六种图像畸变来定义不同场景的基础上对其进行评估。结果表明,在大多数情况下,使用预先训练的 CNN 中的深度特征进行训练可以高效地适应特定场景,并且性能表