- DELTA: 通过结构化词语对齐,预先训练一个判别性编码器用于法律案件检索
在法律案例检索中,利用预训练语言模型的有效性已得到研究证明。然而,现有工作大多侧重于提高上下文嵌入的表示能力,并使用文本语义相似性计算相关性。本研究引入 DELTA,一种针对法律案例检索设计的判别模型,通过将上下文化嵌入与关键事实靠近并远离 - 利用视觉语言驱动的图像增强提高公平性
本文提出了一种方法,通过学习语义空间中可解释和有意义的路径来减轻深度学习区分模型中的相关性,以提高公平性。通过编辑受保护特征(如年龄和肤色),将这些路径应用于增强图像,从而改善给定数据集的公平性。
- 带有引导离散扩散的蛋白质设计
本文提出了一种基于 NOS 和 LaMBO-2 的蛋白质设计方法,使用离散扩散模型、编辑限制和多目标贝叶斯优化实现了高表达率和高亲和力抗体的优化设计。
- ELECTRA 也是零样本学习器
本文提出了一种用于零样本学习的新型置换标记检测 (RTD) 提示学习模型,基于 ELECTRA 模型的 RTD-prompt 学习在 NLP 任务的零样本情况下表现出卓越的性能,尤其在 SST-2 任务上取得了令人惊叹的 90.1% 的准确 - KDDGraphAnoGAN: 从属性图中检测异常快照
本文提出了 GraphAnoGAN,一种用于排名网络中异常快照的框架,它由两个核心组成部分组成 —— 生成模型和鉴别模型,并在 4 个真实世界网络上进行了实验证明其优于 6 个基准线。
- ICLRBowtie Networks: 联合少样本识别和新视角合成的生成建模
提出了联合少样本识别和新视角合成的新颖任务,并通过生成模型和判别模型的相互合作,提出了蝴蝶结网络(Bowtie Networks),用于学习三维几何和语义特征的反馈循环,以实现从新视角生成真实感的图像并提高识别准确性,特别是在低数据量的情况 - EMNLP内部 - 外部的形态分割
本文介绍了一种较为新的基于语境的、具有层级结构的标注模型,此模型结合形态分析和词汇造形中的拼写变化,有别于传统的非层级结构模型,并发布了一个包含 7454 个英语单词的标注树库,期望此成果能促进该领域的后续研究。
- CVPR基于图片 - 问题 - 答案协同的视觉对话网络
本研究提出了一种图像 - 问题 - 答案协同网络来评估答案的作用,该网络将传统的一阶段解决方案扩展为两个阶段,并在 Visual Dialog v1.0 数据集中取得了最新的最高成果。
- 用于端到端说话人验证的角度 Softmax 损失
本研究使用角度 softmax (A-softmax) 替代传统的 softmax loss 和三元组损失,将其引入端对端说话人验证中进行特征学习,结合 PLDA 后进一步提升了该系统的性能。
- AAAI生成对抗网络用于抽象文本摘要
本文提出了一种针对抽象文本摘要的对抗性过程,在其中同时训练了生成模型和判别模型,并使用增强学习构建了生成器,该生成器可以将原始文本作为输入并预测抽象摘要。我们还构建了一个判别器来区分生成的摘要和真实值。经过广泛的实验证明,我们的模型在 CN - 带树结构的多实例问题的判别模型
该篇文章研究了如何使用机器学习模型检测感染计算机的 HTTP (S) 流量,并提出了一种新的磁盘鉴别模型,该模型基于预定义时间窗口内的计算机流量进行决策,克服了传统方法中需要庞大、多样化的标签数据的限制,提高了准确性和自动化学习的能力。
- ACL基于学习的单文档压缩和先行词约束式摘要
本文提出了一种判别模型,它将压缩和先行语限制结合起来,选择文本单元以生成单文档摘要,并在大语料库上学习权重。训练后,该系统在 ROUGE 和人类语言质量判断方面均优于其他已有工作。