- 对抗性引流机器人检测的对抗性分析
社交机器人在在线社交网络中扮演重要角色,最近生成式人工智能(GenAI)的进展使得社交机器人能够产生高度逼真且复杂的内容,模仿人类创造力。为了识别这些虚假内容并区分其生成者,对该问题的多种方法已经被提出,但这些解决方案的广泛评估尚未进行。为 - 不完整信息下的知识图谱质量评估
提出了一种基于不完全信息的知识图谱质量评估框架(QEII),通过对两个参与者的对抗游戏中问题和回答的质量来评估知识图谱的相对质量,实现了第三方评估者能够合理评估知识在应用中的质量。
- 潜在保存对抗生成网络用于不平衡分类
本文提出了一种端到端的深度生成分类器,通过使用领域约束自编码器作为生成器的先验来解决类不平衡问题,并使用判别器和分类器进行对抗学习,实验结果验证了该方法在处理高维类不平衡分类问题方面的卓越性。
- 基于 GAN 的知识推广原则
这篇论文提出了一种基于知识外推的对因果推断的新方法,通过对抗训练生成对抗网络,即可实现对难以使用传统因果图构建的复杂数据分布的可解释性推断,并在很多场景下取得了优异的性能表现。
- FairNeuron:利用选择性神经元对深度神经网络进行对抗游戏以提高公平性
本文提出了基于个体神经元表现出的矛盾现象的 FairNeuron 工具,通过选择性的神经元 Dropout 来实现模型准确性和公平性之间的平衡,从而有效提高所有模型的公平性,同时保持稳定的实用性。
- EMNLPPrivNet:保护推荐算法中的私有特征的迁移学习
本文提出了采用对抗训练的方式保护源域隐私的方法,在保护源域隐私前提下,通过转移学习提高目标域推荐系统的表现,实验证明该模型能够成功的保护源域隐私.
- CVPR最大熵方法在图像表示中的信息泄漏缓解
本文探讨了学习最小化图像表示中的信息泄露的问题,并通过对抗性非零和游戏的形式表述该问题,提出了一种新方法。实验结果表明,该方法能够学习高任务性能的图像表示,同时减少了预定义敏感信息的泄露。
- 生成式对抗少数族裔过采样
本文提出了一种基于三方博弈的凸生成器算法,通过在深度学习系统中处理类别不平衡,在类别边界附近生成人工样本,从而优化分类器的性能。对多个类别不平衡的图像数据集进行的实验证实了算法的有效性。
- 基于能量模型的最大熵生成器
使用神经生成网络学习能量函数和一种分摊求近似(amortized approximate)的采样机制,结合最近提出的非参数互信息估计器来最大化生成样本的熵,使用必要条件从分数匹配(score matching)文献中衍生出的零中心梯度惩罚来 - 自监督 GAN 抵御遗忘
本文介绍了如何通过自我监督方法对 GAN 模型中的鉴别器进行改进,以避免其出现遗忘现象,提高模型性能。
- NIPS通过对抗正则化克服视觉问答中的语言先验
本文提出了一种新颖的正则化方法,通过引入一个仅装载问题的对手模型并在视觉贡献约束之后训练视觉问答模型,取得了在多个基础模型上明显提高的效果,并在标准 VQA 任务中表现出少得多的准确率下降,从而降低了语言偏差的影响。
- 生成对抗网络:超越散度最小化
本研究讨论了与 G(生成器)相关的大多数损失函数的属性,表明这些损失函数并不是发散的,并且不具有发散的期望平衡。研究结果显示, GANs 不符合发散最小化理论,并且形成了比先前假设的模型更广泛的模型范围。