- 通过自监督对比学习利用无标签数据进行三维医学图像分割
我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法,最终纠正错误的预测结果,通过有针对性的验证训练过程识别不一致预测的区域并进行微调,从而提高上下文信息的利用;此外,为了自适应地调整网络的表示能力并降低预测不确定性,我们采用了自 - 上下文解锁情感:基于文本的情感分类数据集在大型语言模型中的审计
利用大型语言模型的表达能力,为输入文本合成额外的上下文,以增加其与带有注释的情感标签的关联性。通过提出文本上下文的形式化定义,并使用提示策略增强这种上下文信息,我们通过人工评估和实证评估证明了我们的方法改善了输入和人工注释标签之间的关联性。
- 通过学习音频 - 文本跨模态上下文表示实现会话语音识别
通过引入跨模态对话表示,结合预训练的语音和文本模型,扩展 Conformer 编码器 - 解码器模型,我们的方法能够提取更丰富的历史语音上下文,实现较标准 Conformer 模型相对准确度提升 8.8%(HKUST)和 23%(Magic - 大语言模型事实核查的风险与前景
自动事实核查(使用机器学习来验证主张)已经变得至关重要,因为虚假信息已经超出了人类事实核查的能力范围。大型语言模型(LLMs),如 GPT-4,越来越受人们的信任,可以验证信息并撰写学术论文、诉讼文件和新闻文章,强调了它们在分辨真假和能够验 - 一种新的基准测试范式和基于尺度和动态感知的自身行为者行人轨迹预测模型
本文提出了一种基于场景进行评估的新模式,以评估自主行驶系统中行人轨迹预测算法的挑战,并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。
- 具有显式上下文表示的深度强化学习
该研究提出了一种离散环境中的 Iota 显式上下文表示 (IECR) 框架,通过提取上下文关键帧 (CKFs) 实现了从环境中学习,并使用新算法在五个离散环境中取得了显著优于现有算法的收敛效果。
- 远程感知图像中建筑物检测的上下文增强检测器
利用上下文增强探测器 (CEDet) 的新方法,通过三阶级联结构增强上下文信息提取,从而提高建筑物探测准确性,在三个建筑物探测基准测试上取得了最先进的性能。
- EMNLPBioT5: 用化学知识和自然语言关联加强生物学中的跨模态整合
提出了 BioT5,这是一个综合的预训练框架,通过化学知识和自然语言关联来丰富生物学中的跨模态集成,具有 100% 稳健的分子表示,从非结构化生物文献的上下文中提取知识,并区分结构化和非结构化知识,在多种任务中展现出卓越性能,能够捕捉生物实 - EMNLP提升论点结构抽取与上下文信息的高效关联
提出了一种全面利用文本上下文信息、增强建模能力和拓展训练数据的高效上下文感知论证结构模型 (ECASE),通过引入序列注意力模块和距离加权相似度损失来聚合上下文信息和论证性信息,同时通过随机屏蔽话语标记和句子来扩充训练数据,实现了在各个领域 - 量化神经机器翻译中上下文依赖性的可能性
利用模型内部信息量化语言模型生成过程中上下文使用的合理性,并应用于上下文敏感的机器翻译模型,对比模型理由与人工标注,以识别并突显模型翻译中上下文相关的预测及其合理性。
- 改革顺序推荐:学习动态用户兴趣与内容丰富的语言建模
采用预训练语言模型的语义理解能力,提出了一种新的序列推荐策略 LANCER,以弥补先前序列建模方法对上下文信息的不足,从而在推荐系统中生成更加人性化的个性化推荐。经过在多个基准数据集上的实验证明,我们的方法有效,具有良好的结果,并对我们的模 - 如何利用上下文?探索篇章和个性化上下文的联合检索
个性化上下文感知的文档导向对话系统的集成具有重要的商业价值,但尚未得到充分研究。通过个性化上下文感知的文档导向对话系统的概念,我们引入了上下文感知的段落检索任务,并构建了一个专门为此目的策划的数据集。我们描述了多个基线系统来解决这个任务,并 - 跨视频上下文知识的探索和利用,减少弱监督时序动作定位的歧义
通过在数据集中探索并利用跨视频的上下文知识,我们的研究提供了一种新方法来间接改善对细粒度行动模式的整体理解,并减少模糊性。通过提出一个端到端框架,我们的方法在几个数据集上得到了比最先进方法更好的表现。
- 基于组织和检测嵌入的泛化序列模型用于表观基因组预测
通过将组织和检测嵌入到上下文化基因组网络中,我们展示了强相关性可以在广泛的实验条件中实现,同时提供了关于基因变异对表观遗传序列模型训练影响的首次见解。
- 探索 GPT 模型在考试中的有效性:驾驶执照知识测试案例研究
通过提供上下文信息,研究在问题回答任务中提出了一种方法,使得 GPT 模型能够回答问题,并发现模型的性能受到提示长度和上下文格式的影响。
- 少样本分割的遮罩跨图像编码
我们提出了一种名为 Masked Cross-Image Encoding (MCE) 的联合学习方法,用于解决很少有标注样本的图像分割任务,通过捕捉物体细节,学习双向跨图像依赖关系来增强特征交互,进而提高元学习能力,在 PASCAL-$5 - 面向目标驱动的人工智能综述
人工智能在几个关键方面仍然比人类智能有限,如在理解上下文、言外之意和微妙线索方面的能力。本文展望了可能用于缩小人类智能与机器智能差距的机器智能候选方法,重点讨论了当前人工智能技术的不足,以及层次规划和能量基、潜变量方法以及联合嵌入预测架构方 - ICCV上下文感知规划与环境感知记忆对于指令跟随的具身化智能体
通过引入 CPEM(Context-aware Planner and Environment-aware Memory)将先前行动的情境信息与规划和维护对象的空间布局(例如,对象是否已经移动)相结合到感知模型中,改进了视觉导航和对象交互, - RestoreFormer++:实现从未劣化键值对进行真实世界的盲目人脸修复
提出了 RestoreFormer ++,它引入了全空间关注机制来建模上下文信息和先验知识的相互作用,并探索了一个扩展降级模型,以帮助生成更逼真的退化脸部图像以减轻从合成到真实场景的差距。大量实验证实,RestoreFormer ++ 在合 - MC-DRE:多方面综合交叉用于药物事件 / 实体提取
提出了一种用于药物实体 / 事件检测的新型多方面交叉整合框架,通过捕捉和对齐来自药物相关文档的不同上下文 / 语言 / 知识属性,包括药物事件语义、句法结构和医学领域术语。模型在广泛实验中表现优越,明显超过了十二种最新的先进模型。