- EXACT:用于机器学习模型解释方法经验基准测试的平台
该研究论文介绍了一个旨在改善复杂机器学习模型可解释性的解释性人工智能(XAI)领域的发展趋势,并提出了一个初始的基准测试平台 EXACT,该平台结合了各种基准数据集和新颖的性能评估指标,为评估 XAI 方法提供了一个标准化的基础。
- AdaAugment:一种无需调优的自适应数据增强方法
AdaAugment 是一种无需调参的创新自适应增强方法,利用强化学习根据目标网络的实时反馈动态调整个别训练样本的增强程度,通过优化策略网络和目标网络的联合来有效适应增强程度,从而在效果和效率上一致性地优于其他最先进的数据增强方法。
- 选择的非线性系统辨识基准测试的基础结果
非线性系统识别的客观比较方法,包括基准数据集、基准技术和识别方法的相对性能。
- RGB 引导的 ToF 成像系统:基于深度学习方法的综述
本文全面回顾了与 RGB 引导的 ToF 图像相关的工作,包括网络结构、学习策略、评估指标、基准数据集和目标函数,并在广泛使用的基准数据集上对最先进的方法进行定量比较。最后,我们讨论了未来的趋势和进一步研究中的实际应用挑战。
- 融入降解估计的光场空间超分辨
最近光场超分辨率(SR)的最新进展取得了令人印象深刻的结果。然而,在实践中,许多现有方法由于假设了固定的降级模型(如双三次降采样),这限制了它们在具有复杂退化的现实场景中的鲁棒性。为了解决这个问题,我们提出了 LF-DEST,这是一种有效的 - 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 - 强化学习引导的半监督学习
提出了一种新颖的强化学习引导的半监督学习方法 RLGSSL,将半监督学习视为一个老虎机问题,并通过加权奖励的创新 RL 损失来自适应地指导预测模型的学习过程,通过在多个基准数据集上进行广泛实验表明,相较于最先进的半监督学习方法,我们的方法始 - 为图神经网络生成稳健的反事实证人
介绍了一种新的解释结构类别,称为鲁棒反事实证人,用于提供图神经网络的稳健而反事实和事实解释。研究了 GNN 基于节点分类的这类结构,并提供了高效算法来验证和生成鲁棒反事实证人。通过对基准数据集进行实验证实了解释生成过程,并展示了它们的应用。
- SAGS:结构感知的三维高斯投影
提出了一种能够隐式编码场景几何结构的结构感知高斯喷洒方法 (SAGS),通过基于本地 - 全局图表示促进复杂场景的学习并强制保持场景几何的有意义的点位移,与现有的 3D-GS 方法相比,在渲染质量和模型大小两方面都展现出卓越的性能,能够有效 - 构建大规模的日语网络语料库用于大型语言模型
通过从 Common Crawl 档案中提取和精炼文本,该研究构建了一个大型的日语网页语料库,用于训练日语大型语言模型。该语料库包含大约 3121 亿个字符(约 1.73 亿页),是目前可用的日语训练语料库中最大的,超过了 CC-100、m - 验证深度学习天气预报模型在近期高影响极端事件上的准确性
深度学习天气预测模型的预测准确性正在迅速提高,但仍存在需求,需要综合评估这些新兴技术的全面性。通过对比三个案例研究,我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性,但其在极端条件下的外推 - 评估面向水配水网络的数据驱动深度学习方法的大规模多用途基准数据集
为了评估数据驱动的深度学习方法,研究人员目前只能使用极少数通用基准数据集,大部分的研究提供的是配置文件而不是可直接使用的数据,因此每个实践者仍然需要遵循特定的数据生成方法,进行计算密集型的仿真以获取可用于模型训练和评估的数据。本论文提供了一 - ChatGPT 真实能力调查
我们在这篇论文中调查了 ChatGPT 在七个自然语言处理任务领域的真实性能水平,回顾了 ChatGPT 的社会影响和安全问题,并强调了其评估中的关键挑战和机遇。我们希望我们的调查能够揭示 ChatGPT 的黑盒特性,以免研究人员被其表面生 - Hyp-OC:用于人脸反欺骗的双曲超半监督分类
我们提出了一种从单类的角度重新构建面部反欺骗任务,并提出了一种新的双曲线单类分类框架。通过在双曲线空间中运行的两个新的损失函数以及欧几里德特征剪切和梯度剪切,我们的方法在五个基准数据集上显著优于最先进的技术,实现了更好的欺骗检测性能。
- 利用深度学习高效学习大规模数据的模糊逻辑系统
本文提出了一种嵌入到深度学习领域的计算高效的模糊逻辑系统(FLS)学习方法,通过提供计算高效的 FLS 实现,最小化训练时间并利用深度学习框架中提供的小批量优化器和自动微分机制,解决了 FLS 学习的挑战,并在基准数据集上展示了深度学习框架 - SPIdepth: 自监督单目深度估计的加强姿势信息
自监督单眼深度估计 (SPIdepth) 是一种在自动驾驶和机器人领域应用广泛的方法,通过加强姿势网络提升深度估计的能力,在捕捉细粒度场景结构方面取得了显著进展,通过在 KITTI 和 Cityscapes 等基准数据集上的实验证明了该方法 - PureForest:大规模航空激光雷达和航空图像数据集,用于单树种纯林的树种分类
纯森林数据集是迄今为止最大最全面的用于树种识别的激光雷达数据集和 / 或航空图像数据集,可支持深度学习方法的开发,并提供具有挑战性的基准数据集。
- CVPR通过双布局估计消除 360° 房间布局的模糊性
本研究提出了一种新颖的双布局(Bi-Layout)模型,能够准确预测两种不同的布局类型,解决了布局注释中固有的不确定性带来的挑战。通过引入全局上下文嵌入和特征引导模块,该模型能够获取上下文信息并生成布局感知特征,从而检测和消除模糊的区域。在 - 基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用
通过引入 SuRGe,一种基于全卷积生成对抗网络(GAN)的超分辨率生成器,我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征,从而提高生成的超分辨率样本的质量。同时,通过使用 Jensen-Shannon 和 - Bailong:基于 QLoRA 和 Zip-tie 嵌入的双语迁移学习
我们结合参数高效调整和高级嵌入初始化技术,通过对英语主导的开源大语言模型进行二次预训练,以提高其在繁体中文上的表现,并进一步引入评估平台来检验模型与人类偏好和指令遵循能力的一致性。我们的评估结果显示,我们的模型在多轮对话任务中相比其他类似的