- 用于安全管理的航空事故报告自然语言处理
本文探讨了自然语言处理方法在支持航空安全事件报告分析方面的应用,并提出使用基于转换器的分类器、主题建模和文本摘要模型等方法实现自动化的事件报告标记和概括生成。实验结果表明这些方法可以有效帮助分析出安全事件报告中的关键主题和潜在原因。
- 基于粒子群优化支持向量机的电动汽车销售策略研究
本研究通过在分类模型中使用权重系数(影响因素)来分析电动汽车不同品牌的销售影响,并优化现有的销售策略。
- ECCV带有文本的房间数据集用于叠加文本检测
本文介绍了一份新的数据集,其中包含 25 种产品类别的 4836 张带有叠加和场景文本的房间内部图片。我们提供了数据集的详细信息和分析结果,并提出了一种基线方法,该方法利用字符區域感知文本检测框架引导分类模型进行文本检测。我们验证了我们的方 - 通过情感词典方法提高越南文本的情感分析
本文提出一种将情感词典与分类模型相结合的方法,以提高情感分析任务的准确性,并实验证明此方法能够提高分类模型的性能。
- 使用多级指数系统评估网络公众舆论危机
提出了一种用于评价网上舆情危机的多级指数系统,包括情感分类模型和灰色相关分析,并在实时事件中取得成功,可以帮助实现对网上舆情的危机预警和及时阻止危机进一步扩散。
- IJCAI构建有效的人工智能团队:建立能够补充多种专业能力的机器学习模型
通过联合训练分类器和分配系统的方式来补充多个人类专家的能力,实现了对于人类专家难以预测的情况进行准确预测,并将任务分配给最合适的小组成员,该方法在多个实验中均表现出优越的性能。
- 巴尔干半岛议会辩论情感标注数据集:波黑,克罗地亚和塞尔维亚
考察了东南欧三个国家国会辩论中发言情感色彩的分类方法和效果,通过样本数据得出了最优分类模型。
- 凯尔特语文本自动语言识别
通过收集几种凯尔特语言家族的语料库,本文提出一种无监督特征提取的方法,成功训练了一个分类模型来识别低资源语种,实验结果表明,无监督特征提取可以更有效地解决缺乏标注数据的问题,并提高分类性能。
- MM远程遥感图像的通用对抗扰动
本文探讨了深度学习在遥感图像领域中的应用,尤其是在普适性对抗扰动方面的研究,并通过设计了一种新方法,可实现对遥感图像分类模型的攻击成功率高达 97.09%。
- 基于双教师半监督学习的对话中故障识别方法改进
通过半监督的师生学习框架,基于有标注和扰动标注的两个教师对有标注数据和无标注数据进行更好的分类,可以有效提高沟通效果,且在实验中表现优于现有方法。
- EMNLP通过隐式优化和 Shapley 引导搜索生成对抗样本
本文解决了生成对抗文本的问题,从而理解和调试分类器,通过优化潜在空间并利用语言模型生成候选修改来绕过离散性文本的优化难题,并使用 Shapley 值估计多个更改的组合效果来确保结果,结果显示潜在空间优化和使用 Shapley 值都显著提高了 - ICCV弱监督目标定位中的归一化重要性
本文提出新的正则化方法,从而可以提高弱监督目标定位方法的性能,实验结果表明,新的方法能够在三个数据集上显著提高性能。
- 基于假设传递和标签传递的源数据缺失无监督域自适应
本文针对数据保护的要求,提出了一种基于分类模型训练的无监督领域自适应方法:Source HypOthesis Transfer (简称 SHOT),通过提取目标领域的特征并利用同一假设对原数据和目标数据进行映射,同时利用半监督学习来提高目标 - 高度不平衡数据下适应性命名实体识别
本报告提出了一种基于条件随机场层和双向 LSTM 层的神经网络体系结构,其中嵌入向量(Glove,BERT)的融合输入被用来增强模型的泛化能力,还引入了一个分类模型来分离句子并对弱类和强类进行优化以提高 Named Entity Recog - AAAI文本简化中句子删除的话语层面因素
本文基于一个大型英文文本简化语料库,对一种常见但鲜为人知的现象 —— 句子删除进行了数据驱动的研究和预测,检查了与句子删除相关的各种文档和语篇因素,揭示了专业编辑为满足小学和初中教育标准而采用的不同策略,并利用自动化对齐数据训练了分类模型以 - ICCV一次 MAN(多目标对抗网络):通过学习多目标对抗网络实现多目标攻击
提出了第一个可以用单一模型生成多目标对抗样本的多目标对抗网络,并将其用于提高分类模型的鲁棒性。实验证明,该方法在多目标攻击和单目标攻击任务中的攻击效果强于现有最先进的对抗性攻击方法,并且在面对各种攻击方法时具有更好的分类准确性。
- 支持实时态势感知的交互式学习识别相关推文
提出了一种新颖的交互式学习框架来提高对实时推文的分类过程,该框架允许用户在实时学习的基础上迭代地纠正推文的相关性以训练分类模型,实验结果表明该方法优于现有的机器学习模型,结合 SMART 系统,可用于实时情境感知并满足不同用户依赖需求。
- 结构化数据的模型无关对比解释
提出了一种模型无关对比解释方法(MACEM),旨在对任何分类模型生成对比解释,该方法处理实际和分类特征,提出了计算相应正例和反例的新方法,并通过 5 个公共数据集的定量和定性验证来证明该方法的有效性。
- AAAI学习逻辑电路
本文提出了一种称为逻辑电路的新分类模型,并证明其具有符号人工智能的独特起源,该模型通过局部搜索算法实现从数据中得到强有力的模型结构,且其参数学习是凸优化问题。在 MNIST 和时装数据集上,我们的学习算法胜过拥有数量级更多参数的神经网络。
- 避免偏见的对抗性分布:无需重新训练的修复方法
利用机器学习模型的输出和输入的概率分布对基于敏感属性(如性别或种族)的性能不均衡进行量化,并通过扰动劣势群体的输入变量的分布来减少固定分类模型对感兴趣人群的影响,从而通过数据预处理器实现消除性能差异的目的。