关键词discriminative approaches
搜索结果 - 6
- 基于不确定性量化的生成模型与判别模型对比
通过对生成法和判别法进行比较分析，研究聚焦于从各种来源获取信息的不确定性感知推断，以及对半监督学习的兼容性，推导出一般的采样方案，从后验预测分布中获得监督学习和半监督学习。
- 辨别式自监督学习方法综述
计算机视觉领域的自监督学习是从无标签数据中提取强大特征的方法，模型通过自动从数据本身中推导标签而无需人工注释。本文全面回顾了计算机视觉领域内的自监督学习的判别性方法，包括对比、自蒸馏、知识蒸馏、特征去相关化和聚类技术，并研究这些方法如何利用 - 通过后验分布建模减轻红外小目标检测的目标级不敏感性
本文提出了一种用于红外小目标检测的扩散模型框架，通过模拟像素级判别与掩模后验分布建模相结合，转变了从判别范式到生成范式的方法，以绕过目标级的不敏感性，并设计了小波域中的低频隔离以抑制内在红外噪声对扩散噪声估计的干扰。实验证明，该方法在 NU - 用于零样本泛化的通用判别器
本文挑战传统的生成建模方法，提出较好的判别式方法，实验结果表明，该方法在自然语言处理任务上具有更好的性能，无需复杂的提示即可获得最新的状态 - 良好的零 - shot 结果
- ACL无监督关系抽取再审视
通过使用命名实体来诱导关系类型，我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术，并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。
- 生成 - 判别互补学习
本文提出了一种生成 - 判别式互补学习方法，称为互补条件 GAN（CCGAN），通过建模条件（判别）和实例（生成）分布来提高预测普通标签的准确性和生成高质量实例的能力，同时拥有弱监督下检索真实条件分布的能力，可有效解决缺乏高质量标注数据的问