- 评估实体解析系统的方法:一个以实体为中心的框架,应用于发明家姓名消歧
实体消解(记录链接,微聚类)系统难以评估,提出了一种替代方法,用于创建代表性、可重复使用的基准数据集,以及用于模型训练和各种评估任务的实体中心数据标记方法。
- 可解释分类的投票方法与规则学习
通过结合机器学习方法、规则学习方法和投票方法,本研究提出了一种能在提供解释性规则的同时达到与现有无法解释的机器学习方法相媲美的分类结果的方法。实验结果表明,该方法在多个基准数据集和保险业的一个关键应用案例中都明显优于普通的规则学习方法和现有 - 论手语检测中签名者重叠的重要性
通过对当前标志检测基准数据集中签约者重叠对准确性的影响进行详细分析,我们提出使用不含重叠的新数据集划分来更真实地评估标志语言检测系统的性能,从而提高其准确性和泛化性能。
- 基于深度学习的社区发现综述
本文对近年来深度学习在社区检测领域的最新进展进行了全面概述,提出了包括深度神经网络、深度非负矩阵分解和深度稀疏滤波在内的多种先进方法,总结了常用的基准数据集和评估指标,并讨论了社区检测在不同领域的实际应用和实现场景,并提出了未来的研究方向。
- ICML一种基于双层规划的分子构象生成的端到端框架
该论文提出了一种基于条件变分自编码器框架的端到端的分子构象预测解决方案,称为 ConfVAE,通过解决一个有原则的双层优化程序来生成 3D 结构,并在几个基准数据集上进行广泛的实验证明了该方法的有效性。
- 可解释的深度神经网络(xDNN)
本文提出了一种名为 xDNN 的新型深度学习架构,该架构使用原型来优化计算效率,达到超越传统方法的目的,并在基准数据集上进行了测试,取得了世界记录。
- ICMLIPC:用于学习图结构数据的基准数据集
提供了一个基于国际规划竞赛的新数据集 IPC,用于评估基于图的机器学习方法,并与现有数据集进行比较,其中该数据集包含具有不同特点的大量有向图,带来了重大的挑战,同时方便扩展。
- 利用知识图谱提高图像字幕生成的性能
本文探讨了使用抓取通用或常识性知识的知识图谱来增强最先进的图像字幕生成方法从图像中提取的信息,实验结果表明,利用从知识图谱中提取的信息的最先进方法,在诸如 MS COCO 等多个基准数据集上,可以比仅依赖于从图像中提取的信息的方法实现显著更 - AAAI基于类条件深度生成模型的零样本学习
本论文提出了一个利用深度生成模型进行类预测的研究方法,不同于其他类似方法依赖于语义嵌入,我们基于属性条件设计了特定于类别的潜在空间分布,并利用这些潜在空间分布作为监督变分自编码器的先验,使其有更强的区分特征表达能力;同时通过无监督学习利用未 - 数据驱动方法在多标签分类中的标签空间划分较随机选择更优
本研究提出了利用社交网络中 5 种数据驱动的社区检测方法来替代 RAkELd 中的随机等分划分来划分多标签分类的标签空间,我们使用训练数据构建标签共现图,并对标签集进行社区检测。通过对 12 个基准数据集进行评价,我们发现在几乎所有评价指标 - Fisher 网络上的深度线性判别分析:一种用于人员再识别的混合架构
本文介绍一种融合 Fisher 向量和深度神经网络的混合结构,以学习人像的非线性表示,进而实现对行人重新识别流程的优化。经过基于四个基准数据集 (VIPeR, CUHK03, CUHK01 和 Market1501) 的广泛实验验证,该模型 - 自适应结构学习的无监督特征选择
该论文提出了一种同时进行结构学习和特征选择的统一学习框架,通过相互作用识别出精确的数据结构并选择更多信息。实验结果表明,该方法在许多基准数据集上优于许多最先进的非监督特征选择方法。
- 应用于多类异常拒绝的类别比例估计
本文针对基于领域自适应的两个分类问题:类别比例估计和多类异常拒绝,分别设计出新颖的策略,并实现了类别比例估计技术,展示了其在多个基准数据集上的表现。
- 组合分布式语义的多步回归学习
介绍一种基于张量及向量的学习方法,并在数据集上进行了评估,表现超过了现有的先进方法,同时也适用于解决组合分布式模型可能遇到的更微妙问题。