- Intel Movidius VPU 的神经架构搜索
本研究将神经网络架构搜索技术扩展到了 Intel Movidius VPU 上，通过两个硬件成本预测方法，能够针对性地优化设计出适应该硬件的网络，实现了高效准确率的分类和超分辨率任务。
- 量子机器学习架构中的拍摄优化以加速训练
本文提出了量子机器学习模型的 shot 优化方法，采用混合量子 - 经典模型进行分类任务的测试，并在 MNIST 和 FMNIST 数据集上进行测试，通过自适应 shot 分配优化模型，结果显示采用 step function 进行 sho - 变分自编码器在迁移学习中表现如何？
基于 Centred Kernel Alignment 评估 VAEs 在不同数据集上训练的相似性，研究表明 VAEs 的表示是通用的，但解码器是特定的，提出选择 VAE 中重新训练的组件和可视化评估传递学习是否有用于分类任务的方法。
- 心电图特征重要性排名：心脏病专家 vs. 算法
本研究使用心电图特征作为实际数据来源，比较不同方法在识别三种特定病理状态与健康状态时的表现，结果显示部分方法具有较好的性能。
- 提高自然语言处理变形金刚模型长期的分类可靠性
本研究比较不同方法用于长期分类任务的 BERT 模型的微调，发现使用所有可用的未标记评论来微调模型是最佳解决方案，而仅关注模型之前未遇到的单词的评论并不可取，其中一个更有效的解决方案是从新时期的评论中随机抽样评论。
- 用概率方法扩展机器学习以解决组合优化问题的隐蔽博弈
应用深度学习解决困难的组合问题具有巨大的潜力。该研究侧重于布尔可满足性（SAT）问题，并通过基本的概率方法消除了由于训练集仅限于小于实际问题规模几个数量级的随机公式导致的难题。使用我们的生成器，我们对现有的最先进模型进行训练，以预测具有 1 - 关于种族灭绝相关的法庭记录中基于主题的段落分类的新数据集
本文介绍了第一份带有注释的种族屠杀相关法庭记录的语料库 GTC，并运用最新的基于 transformer 的方法建立了段落标识及暴力相关证词提取的基准性能用于分类任务，探索了领域内的迁移学习。
- ICMLProtum: 一种基于 [MASK] 的新的提示调整方法
本文提出了一种基于 'MASK' token 编码的 Prompt Tuning 方法 ——Protum，通过隐藏层信息构造分类任务并直接预测标签，相较于 fine-tuning，该方法在较短的时间内连续预训练后取得了更好的性能。
- 音频表示的多格式对比学习
本研究通过多种不同格式的单一模态对比学习框架，最大程度地提高音频表示的有效性，取得了一定的效果。在 AudioSet 和 ESC-50 分类任务上，我们的声音单一方法取得了新的最佳结果，平均精度为 0.376，准确率为 90.5％。
- 特征图级别在线对抗知识蒸馏
本文提出了一种在线知识蒸馏方法，在对抗训练框架下同时传输分类概率和特征图的知识，并使用判别器区分不同网络的特征图分布进行训练，比传统的直接对齐方法（如 L1）更适用于在线蒸馏，在多个网络之间引入循环学习方案，实验表明该方法的性能显著提高，特 - 2016 年 WMT 跨语言代词预测共享任务的发现
本文介绍了 2016 年 WMT 跨语言代词预测共享任务的设计、评估设置和结果，该任务是一个分类任务，参与者需要对目标语言文本中的占位符值提供替换代词类别标签的预测。提供了四个子任务，英法、英德之间互译，11 个团队参与该任务。深度循环神经 - ICCV远程光电测量中深度学习的架构技巧
该论文研究了卷积网络在评估彩色信号补丁的心率值方面的架构改进，通过添加卷积过滤层和组合损失函数来提高静止和混合运动情景下心率估计模型的性能。
- 关于分类的分布式量化
本文提出了一种分布式量化方案，旨在用训练数据为分类器设计量化器，不需要先验数据假设，而是专注于正确分类，可在任何特征数、任何类别数和任意特征分布的情况下进行多项式时间量化算法的设计。结果表明，将量化器适应于分类任务可以获得显着的节省，并可在 - 来自计算限制的对抗性示例
高维度分类器为何易受到 “对抗性” 扰动？本文中将阐述这种现象可能不是由于信息论的限制，而是由于计算约束所引起的。同时探讨了分类任务的一种特殊情况，即在高维空间中对于对抗扰动较大的学习是容易的，但是具有计算难度的。这种例子带来了对于经典学习 - NIPS主动一次性学习
使用强化学习和单样本学习相结合的方法，使得模型能够在分类过程中决定哪些样本需要标注，我们提出了一种基于递归神经网络的动作值函数来实现，通过选择奖励函数，该模型能够在减少样本标注需求的同时达到更高的准确率。
- MM仅依靠动作预测人类意图：一种 2D+3D 融合方法
本文提出一种新的多模态数据预测人类意图的方法，通过机器学习算法分析运动学信息、运用分类任务进行实验验证、结合 3D 和 2D 数据以及 2D+3D 融合分析，成功预测出未来的动作，展示了多模态方法在上下文无关的人类意图预测中的优越性。
- 彩色图像上色
本文提出了一种基于分类任务的自动化方法，使用卷积神经网络在测试时前向传递来处理图像的着色问题，并且提高了其结果的颜色多样性，相比之前的方法机器生成的着色更加逼真，并且证明了这种自动着色可以作为一项有效的预训练任务，提供了在特征学习领域上最好 - NIPS卷积核网络
通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经