- EMNLP基于渐进式对抗学习的自举方法：以实体集扩展为例的案例研究
本文提出一种新的 Bootstrapping 方法 BootstrapGAN，通过 GAN 框架共同建模 Bootstrapping 过程和边界学习过程，利用不同的鉴别器网络学习不同的扩展边界，并通过迭代的对抗学习逐渐提高生成器和判别器的精 - ICLR自助元学习
本文提出了一种算法来解决元学习中的元优化问题，通过自我教育的方式实现优化及扩展了有效的元学习层数， 在 Atari ALE 基准测试中取得了最新的最佳表现，并展示了在多任务元学习中节省了模型训练时间的能力。
- EchoEA: 实体对齐中的实体和关系之间的回声信息
本篇论文提出了一种基于 Echo 实体对齐的新框架，该框架利用 4 级自注意机制将实体信息传播到关系中并回传到实体，同时提出了属性组合双向全局过滤策略以改进引导和生成高质量训练数据，实验结果表明，此方法在三个现实跨语言数据集上的表现稳定在平 - 基于全同态加密的隐私保护深度神经网络机器学习
本文使用了 RNS-CKKS FHE 技术及 bootstrapping 策略，并采用最新的近似方法来评估非算术函数，成功实现了对 CIFAR-10 数据集上的 ResNet-20 模型进行 FHE 加密计算，并经过数值验证，得出分类准确率 - EMNLP形态学屈折的最小监督
该研究使用少量标记的数据引导标注词形变化，利用不同类型的规律，通过类比词标记和距离对词配对，证明了手工标记许多示例可能是不必要的。
- 使用重采样方法进行摘要评估度量的统计分析
本文介绍了利用自主重采样方法来计算置信区间和运行假设检验的方法， 并对几个自动评估度量进行了分析，发现自动评估度量的可靠性存在高度不确定性
- ICML基于启发式策略评估的自举式 Q 评估优化
本文探讨了自举法在强化学习中的应用和如何提高自举法的计算效率，使用 FQE 方法进行策略评估，并用数值实验评估自举法在强化学习中的潜力。
- ICML使用目标网络打破致命三角
本文研究了使用目标网络作为打破致命三元组的工具，提出了一种新的目标网络更新规则，并在多个离散算法中应用目标网络和岭回归来证明其收敛性。
- ICLR深度强化学习的数据效率受到参数欠约束的抑制
利用神经网络近似值函数的基于价值的深度强化学习方法存在隐含的欠参数化现象，该现象会通过下降学习到的价值网络特征的排名导致性能下降，控制特征排名的崩溃可以缓解这一现象并改善性能。
- 慕尼黑强化学习
本文提出一种利用当前策略对强化学习中未知状态值的估计方法，以及通过在 DQN 和 IQN 算法中添加缩放的 log 策略函数获得与分布式 RL 相竞争的新代理的实验研究和理论分析。
- ICML时间差分学习中的干涉与泛化
研究了时间差分学习中概括和干扰之间的联系，发现时间差分学习容易导致低干扰，欠缺概括性的参数，而这一效应在监督学习中则相反。此现象可以追溯到干扰和自举之间的相互作用，并在实验证实，希望这些新的发现可以指导未来方向的自举方法的发现。
- 利用 Bootstrapping 和 Web 作为语料库的大规模名词复合物解释
本文研究获取名词复合物及其语义解释的方法，通过引入 bootstrapping 和 web statistics，利用名词复合物与其解释模式的关系，进行多次交替提取，并发现将一个复合名词固定可以获得更多的有语义解释的复合名词和更强的语义限制 - 跨语言口语理解的迁移学习
本文介绍如何通过在多语言之间传递数据以减少成本，从而提高对新语言的口语理解系统。我们的多任务 SLU 框架在不同语言上经过评估，结果表明我们的单语言模型优于最先进的技术，我们可以大大减少引导新语言口语理解系统所需的数据量，同时，虽然多任务训 - 深度强化学习与致命三角
研究死亡三元组对于经验回放训练的深度 Q 网络模型的影响，分析该系统的组件在死亡三元组的出现和代理的表现中的作用。
- MM基于 RGB-D 航空图像的自举卷积神经网络建筑物分割
本文介绍了一种用于提高机器视觉中自动化建筑识别性能的方法，该方法结合了卷积神经网络和 Bootstrapping 技术，只利用原训练数据的六分之一，并在一个航空图像数据集上获得了高达 95.10％的精度 - 召回率平衡。
- 使用基线的蒙特卡罗对策遗憾最小化中的方差缩减（VR-MCCFR）在广义式博弈中的应用
本文介绍了一种方差缩减技术 VR-MCCFR，它可以应用于任何 MCCFR 的采样变型方法。这个新公式可以从同一事件中的其他估计值启动引导，即引导基线在采样轨迹上沿估计传递收益，而估计值保持不偏。实验结果表明，VR-MCCFR 可以提供一个 - ACL利用同义词聚类的半监督事件抽取
提出一种通过引入自主训练数据的自训练事件抽取系统的方法，它利用了跨多个来源的新闻文章中同一事件实例的多个提及的出现。在这个集群中，如果我们的系统能从一些提及中进行高置信度的抽取，那么它可以通过添加其他提及来获取多样化的培训示例。该方法对 A - ECCV通过边框语义意识和启动自举精确场景文本检测
本研究提出了一种利用引导和文本边框语义的场景文本检测技术，以准确定位场景中的文本。通过多次对文本局部进行采样以有效缓解训练数据量有限的约束，提高了文本特征图的一致性；同时，设计了一种文本边界检测技术，通过生成每个场景文本的四种文本边框段，可 - 具有全局可解释性的轻度监督表示学习
本文提出一种基于表征学习的轻度监督信息提取方法，通过学习自定义的嵌入表示，将传统自举方法与鲁棒性强的表征学习结合起来，实现了对多词实体分类和匹配模式的有效提取和解释，该方法优于三种现有方法，并能输出全局解释性模型。
- 神经开放信息提取
本文提出了一种基于神经网络的 Open IE 方法，采用了编码器解码器框架和引导式自我学习的方法，实验表明这种方法比传统方法更优秀。