- 通过自适应取样实现大型语言模型和文本到图像模型的数据高效评估
SubLIME 是一个数据高效评估框架,利用自适应采样技术,如聚类和质量导向方法,创建代表性的基准子集,以确保与完整数据集在模型排名方面具有高皮尔逊相关系数。该框架在评估低资源语言模型和文本到图像模型方面提供了一种灵活且经济高效的解决方案。
- 基于语法对齐的解码
通过提出自适应采样算法(ASAp)来解决语法对齐解码(GAD)问题,该算法确保输出结果遵循给定的语法约束,同时与语言模型的条件概率分布相匹配,以高概率生成高质量的输出。
- 学术文件中的软件提及检测的 Falcon 7b
通过研究 Falcon-7b 在学术文本中检测和分类软件提及的应用,本研究的主要目标是解决软件提及检测在学术出版物中的子任务一,即从学术文献中识别和分类软件提及。通过综合实验,本论文探讨了不同的训练策略,包括双分类器方法、自适应抽样和加权损 - TASER:快速准确的动态图表示学习的时间自适应采样
TASER 是第一个针对准确性、效率和可扩展性进行优化的适用于 TGNNs 的自适应采样方法,通过根据训练动态和过去交互的上下文、结构和时间属性进行微批次选择和邻居选择来提高准确性和训练速度。在五个广受欢迎的数据集上,TASER 的平均平均 - POS 标记器构建中的自适应采样自适应调度
我们引入了自适应调度的自适应采样作为构建词性标注器机器学习的一种新方法,目标是加速在大数据集上的训练,同时不显著损失性能。我们的算法通过分析学习曲线的形状几何特征,结合功能模型,在任何时间点上增加或减少采样间隔,从而证明了其在理论上的正确性 - 欧拉 - 拉格朗日动力学预测流体模型
通过使用 Euler-Lagrange 双重循环网络(EuLagNet)来追踪自适应采样的关键粒子的运动并整合动力学信息,以指导未来的流体预测,本文提出了一种新的拉格朗日引导范式来处理复杂的流体动力学,实验证明 EuLagNet 在 2D - 多分布最优学习
多分布学习中的自适应采样算法解决了最坏情况风险最小化问题,并提供了样本复杂度的最优解,同时证明了随机化的必要性。
- 基于动态网格方法的 MMPDE-Net 与移动采样物理推断神经网络
提出了一个基于移动网格偏微分方程方法的端到端自适应采样神经网络(MMPDE-Net),通过求解移动网格偏微分方程来自适应生成采样点的新坐标。与 PINN 结合形成 MS-PINN,通过四个典型例子的数值实验验证了我们方法的有效性。
- 深度 Ritz 自适应重要采样
我们介绍了一种用于解决偏微分方程(PDEs)的 Deep Ritz 方法的自适应采样方法,该方法利用了两个深度神经网络,一个用于逼近 PDE 解,另一个是用于生成新的列点以改善训练集的深度生成模型。通过重要性采样准确地近似变分损失,该自适应 - 一种非层次性多保真度自适应采样的潜变量方法
多层次方法的自适应采样在增强替代建模和设计优化方面具有更高的效率,并且利用潜在嵌入和相关性分析来指导未来样本的选择,从而在全局拟合和贝叶斯优化中提供了更好的性能。
- ICCVBANSAC: 自适应样本共识的动态贝叶斯网络
该研究提出了一种适用于 RANSAC 的自适应采样方法,利用动态贝叶斯网络来更新数据点的内点得分,并采用加权采样和新的停止准则来提高算法的计算效率和准确性。
- 关于含噪计算的最优界限
本研究重新审视了来自 Feige 等人的 1994 年的噪声信息计算问题,改进其上下界以更好地描述查询复杂性,并考虑了自适应采样和非自适应采样这两种情况。
- ICML使用直接网格细化算法高效训练物理知情神经网络
开发了一种适用于物理信息神经网络中残余点的自适应采样的创新算法,具有直接网格细化方法和高效的计算方法,能够提高模拟精度和性能。
- L-SA: 多目标强化学习中的学习未开发目标
该研究提出了一种名为 L-SA 的机制,采用自适应采样和主动查询来解决强化学习多目标任务中的探索困境。在视觉导航任务上的实验结果表明,L-SA 框架提高了强化学习在多目标任务中的采样效率和成功率。
- 基于先验的自适应 LiDAR 采样
本文提出了一种适用于自适应激光雷达的卷积神经网络 SampleDepth,它根据先前时间步的深度样本预测当前帧的采样掩模,从而最优化地完成深度补全下游任务,评估结果表明 SampleDepth 适用于不同的深度补全任务。
- 利用预测模型进行时空流体过程的自适应采样
本文针对流体过程的持续监测问题,提出了一种基于预测模型的自适应采样算法(PASST),该算法利用深度学习模型进行路径规划,采样数据用于更新初始状态以改进预测性能,并通过强化学习算法进行路径规划,实现在给定时间范围内对流体过程进行高效可靠的监 - CVPR基于学习的双平面透视先验图像重采样技术,用于高效目标检测
本文提出了一个可学习的基于几何的先验模型,改善图像重采样来提高实时物体探测性能,从而在自主导航和城市尺度传感方面得到了明显的改善。
- MMIm2Oil: 基于笔画的油画渲染,通过自适应采样线性可控制细度
本文提出了一种新的基于笔画渲染(SBR)方法,将图像转换成栩栩如生的油画。通过采用自适应采样算法,基于纹理复杂度计算概率密度图,用 Voronoi 算法采样一组像素作为笔画锚点,对每个锚点搜索和生成单个油画笔画并将所有笔画放在画布上,通过调 - SSBNet:通过自适应采样提高视觉识别效率
本文提出了插入自适应采样层到现有深度神经网络中以提高效率的 SSBNet,该方法在 ImageNet 和 COCO 数据集上达到了竞争性的图像分类和目标检测性能。
- CVPRAdaInt: 用于实时图像增强的学习自适应区间的 3D 查找表
本文提出了 AdaInt(自适应区间学习)方法,它通过自适应学习非一致采样间隔,使 3D 查找表能够在需要高度非线性转换的颜色范围内进行密集采样,而在近线性转换方面进行稀疏采样。实验结果表明,与传统方法相比,具有 AdaInt 的方法可以在