adversarial methods | BriefGPT

关键词adversarial methods

搜索结果 - 8

可证收敛的数据驱动凸非凸正则化
深度学习在逆问题求解中的新兴范式通过从数据中学习正则化器实现高质量结果，但往往无法提供可证明的保证。本文通过凸非凸（CNC）框架展示了良好的可解性和收敛正则化，引入了一种新颖的输入弱凸性神经网络（IWCNN）构建方法，将学得的对抗正则化方法
PDF9 months ago
SynthMix：医学跨模态域自适应中对齐合成混合
本文提出 SynthMix，它是一种扩展模块和自然的训练策略，可以通过混合真实和合成图像的方式促进生成细粒度特征的生成，对医学图像进行分割任务时表现良好。
PDFa year ago
探针分类器在概念移除和检测中不可靠
研究人员发现，基于文本数据训练的神经网络模型存在不可取的语言或敏感概念问题。本文通过广泛的理论和实证分析，证明了使用事后和对抗方法无法完全删除有问题的概念，并有可能破坏所有有用任务特征，并建议使用伪度量衡量最终分类器的质量。
PDF2 years ago
CVPR逐渐消失的桥梁：用于对抗性领域自适应的方法
本文介绍一种在生成器和鉴别器中均配备 GVB 机制的对抗性领域自适应方法，旨在减少领域特定特征在领域不变表示中的影响，并在三个具有挑战性的数据集上进行的实验表明，该方法优于强竞争对手，并与其他对抗方法协作良好。
PDF4 years ago
自然语言推断的公平泛化任务设定
本文提出了一个正式的公平概念，并利用人工数据集来展示标准神经模型在要求的泛化方面表现不佳，只有联合组合前提和假设的任务特定模型能够达到高性能，即使这些模型也不能完美解决任务。
PDF5 years ago
ACL删除，检索，生成：一种简单的情感和风格转换方法
本文提出了一种基于文本属性转换的方法，采用无监督学习来分离属性和独立内容，通过删除特定短语和替换生成适当的输出。在三个不同领域的数据集中，优于先前最佳系统的正确率提高了 22%。
PDF6 years ago
ICLR对抗性 Dropout 正则化
提出了一种利用 Adversarial Dropout Regularization 的方法来实现神经表示从有标签的源域到无标签目标域的转移，以提高语义分割和图像分类任务的准确性，并证明了该方法的有效性。
PDF7 years ago
AAAIOptionGAN: 使用生成对抗逆强化学习学习联合奖励策略选项
本文介绍了一种以对手生成网络为基础的新方法，以同时恢复反演强化学习中的奖励和策略选项，用于解决从专家演示中学习复杂任务的奖励函数。该方法在简单和复杂的连续控制任务中表现良好，展示了一次转移学习中的显著性能提高。
PDF7 years ago