- 隐性设计选择对情绪识别模型开发和评估的影响
情感识别是一个复杂的任务,本论文通过多角度研究数据集、标签、建模、人口统计学和成员变量编码以及评估等方面的挑战,推进了强健、实用的情感识别模型的发展。
- 学习如何在数据严重不对齐的情况下进行简化
通过比较 JS-GAN 和 Wasserstein GAN,研究在不使用平行语料库的情况下,如何进行文本简化。实验结果表明,具有 FFA 和 JS-GAN 的联合双子网络比当前表现最佳的系统更优。
- AAAITIME: 文本和图像互译对抗网络
提出了基于生成对抗网络框架的文本到图像生成模型 Text and Image Mutual-Translation Adversarial Networks (TIME),不需要额外模块或预训练,而是联合训练生成器 G 和图像字幕鉴别器 D - 具有注意力的鲁棒隐形视频水印
本文介绍了一种名为 RivaGAN 的新型架构,其具有自定义的基于注意力机制的嵌入任意数据的方式以及两个独立的对视频质量进行批判和优化鲁棒性的对抗性网络,使用这种技术,我们能够在基于深度学习的视频水印技术中取得最新成果,并产生最小的视觉失真 - 基于条件对抗网络的异常结肠息肉图像合成技术以提高检测效能
利用有限的肿瘤训练图像,本文利用条件性对抗网络 (CANs) 框架通过生成合成肿瘤图像来提高研究的精度。使用边缘过滤器和可变卷积,其结构基于编码部分的多个膨胀卷积。经过测试,生成的肿瘤图像既真实且能有效提高肿瘤检测的性能。
- CVPR负迁移的特征及其避免
研究传输学习中不同源数据对目标任务的影响,提出了负传输的正式定义,并通过对抗网络设计了一种过滤无关源数据的技术,用于解决负传输问题,在实验中该方法能够显著提高基线方法的性能并避免负面影响。
- ACL多源跨语言模型迁移:学习共享的内容
利用生成对抗网络和无监督多语言嵌入,结合多源语言训练数据的多语言转移学习方法,在多语言文本分类和序列标记任务中实现 target 语言的显著性能提升。
- Morpho-MNIST: 表示学习的定量评估和诊断
本研究提出了一个名为 Morpho-MNIST 的框架来解决评估无监督和有监督机器学习的性能问题,这个框架可以用来评估特定变化因素在数据中的表现,并提供了可量化的扰动,以评估在挑战性任务上的性能。
- 网络嵌入的快速梯度攻击
本研究基于图卷积网络的渐变信息生成对抗性网络,在社交网络等情境中,通过只重新链接少量节点即可干扰网络嵌入,保护目标节点的隐私。
- 使用对抗神经网络的机器学习不确定性
本文探讨利用对抗生成网络对高能物理数据进行分类和参数拟合的方法,通过包括之前已知的系统和理论误差,使其具有更高的可靠性和准确性。
- 基于多领域艺术图像的任意风格转移学习
我们提出了一个快速前馈网络,使用深度特征和纹理统计来表示内容和风格,并使用对抗网络来规范画风生成,包括条件生成器和条件鉴别器,并使用遮罩模块来空间控制风格化级别和稳定对抗训练,在定性和定量实验中与相关工作进行比较。
- Seq2Seq 对抗自编码器在情感转移中的应用
使用 seq2seq,自编码器和对抗性损失模型进行非平行数据样本的语言风格转移。通过使用情感分类器评估样式转移任务,报告了模型在几种模型上的结果。
- AAAI文本风格转换:探索与评估
本文提出使用对抗网络以学习分离内容表示和风格表示的方法来解决自然语言处理中的样式转移问题,并提出了新的评估指标来测量样式转移的转移强度和内容保留。作者在文章 - 新闻标题转移和正面 - 负面评论转移两个任务上评估了模型和指标,结果表明,所提 - 使用多对抗网络实现高质量人脸照片 - 素描合成
本文使用生成模型和对抗网络探索了将草图合成为图像和将图像转换为草图的问题,并提出了一种新的多对抗网络框架,称为 Photo-Sketch Synthesis using Multi-Adversarial Networks (PS2-MAN - 水下图像弱监督颜色转换的色彩校正
本文提出了一种弱监督颜色转移方法来处理水下图像的颜色失真问题。通过采用 Cycle-Consistent Adversarial Networks 以及多项损失函数的设计,使得矫正后的水下图像在内容和结构上与输入相同,但是看起来就像没有水下 - NIPS关联性对抗网络
本文提出了一种用于生成模型的高层次联想记忆,并使用限制玻尔兹曼机作为高层次联想记忆。这种方法可用于从数据空间到高级表示空间的映射。
- NIPS通过对抗网络学习枢轴转移
通过对抗网络基于枢轴特性进行培训的方法可以有效地实现灵活的域自适应,从而提高了预测模型的准确性和稳健性。