- 基于 Transformer 的多元化图像补全与信息丢失降低
基于 Transformer 的图像修复方法存在信息丢失问题,为解决这个问题,我们提出了 PUT 框架,利用自编码器和非量化 Transformer 来保留图像信息并增加多样性。
- 一种简单而有效的多样化会话推荐方法
我们提出了一种插件设计,将多样性引入现有的 SBRS,以提高推荐列表的多样性并保持推荐准确性。这一设计包括一个面向多样性的模型不可知型损失函数和一个无侵入的类别感知注意机制。通过实验验证,相较于当前最先进的准确性导向型 SBRS,我们的设计 - DeNetDM:通过网络深度调节降低偏差
当神经网络在偏见数据集上训练时,它们往往会无意中学习到具有偏见的相关性,从而在实现强大的泛化和鲁棒性方面面临挑战。我们介绍了一种新颖的去偏见方法 DeNetDM,它基于浅层和深层网络的不同属性,使用基于专家产品的训练范例创建出带有偏见和去偏 - 多散布低曲率模型融合的集成对抗防御
通过降低攻击的可转移性,我们的研究试图增强集成模型的多样性,特别关注在曲率的影响下训练多个更多样且具有低曲率的网络模型,从而提高对各种攻击的鲁棒性。
- 基于高效神经网络扩散的深度学习训练的绑定
提出了一种基于高效神经网络扩散(BEND)的 Bagging 深度学习训练算法,通过使用多个训练的扩散模型构建基础分类器,实现多样性和降低成本,取得了比传统方法更好的准确性和多样性,并成功引入了扩散模型进入新的深度学习训练领域。
- 一个开放世界、多样化、跨时空的动态野外人员再识别基准
通过开展多样性的采集场景、光照变化、人物状态和保护隐私等方面的数据收集和处理,以及提出潜在域扩展方法来改进人物再识别模型的泛化能力。
- ThemeStation: 从少数示例生成主题感知的 3D 资源
ThemeStation 通过给定的少量示例,通过首先绘制概念图像,然后进行参考引导的 3D 建模阶段,合成与示例相同主题的自定义 3D 资产,以进一步实现生成与给定示例相一致并具有高度变化的多样化主题感知 3D 模型的目标,并使用新颖的双 - EDT: 基于熵的动态温度采样改进大型语言模型的生成
提出一种基于熵的动态温度抽样方法来平衡生成质量和多样性,实验结果表明在不同任务上 EDT 显著优于现有策略。
- 招标画像:基于竞标的多人生成对抗神经网络训练
提出一种基于拍卖的多人生成对抗网络训练方法,以减轻 GANs 的模式崩溃问题。通过将生成对抗网络的两人博弈扩展为多人博弈,利用类似拍卖的过程,通过其他参与者提交的出价确定每个模型的价值。
- IDAdapter: 学习混合特征以实现无需调参的文本到图像模型个性化
IDAdapter 是一种无需微调的方法,通过在生成过程中结合文本和视觉注入以及面部身份损失,从单个人脸图像中增强个性化图像生成的多样性和身份保留。通过将特定身份的多个参考图像的混合特征融入训练阶段,丰富相关身份的内容细节,指导模型生成具有 - 图神经网络的层间多样负采样
图神经网络中的负采样方法通过采样矩阵和空间压缩技术改善了负样本的多样性,从而提升了学习性能。
- COLING人工对齐中的语言模型微调中的数据多样性扩展
通过控制文本样本数量,本研究发现更多回复但更少提示比大量的提示更能触发语言模型与人类一致,此外,提出了提示多样性的新公式,并使用数据增强进行了实验证明其对不同算法的效果。
- 增强型人工智能集体智慧:现状与展望
基于网络科学的多层人工智能与人类集体智能表征方式,探讨了人工智能与人类集体智能间的相互作用、多样性与互动对系统整体智能的影响,并分析了现实中的 AI 增强集体智能实例,最后讨论了 AI 增强集体智能面临的潜在挑战和未来发展方向。
- 衡量协同生成图像的多样性
通过将神经网络编码的熵用于比较图像集合之间的多样性,我们提出了一种无需基准知识且易于计算的方法来评估协同创作系统生成的内容的多样性。通过比较两个预训练网络的选择与我们想要评估的多样性概念的关系,我们还讨论了这些度量在交互系统中的概念生成、模 - ChatGPT4PCG 2 比赛:科学鸟类级别生成的提示工程
该研究论文介绍了 2024 年 IEEE 游戏会议上的第二届 ChatGPT4PCG 竞赛,它旨在推动和探索面向程序化内容生成的提示工程。通过引入多样性度量、允许提交 Python 程序以及改进评估流程等措施,该竞赛旨在解决第一届竞赛中的限 - 多任务强化学习中的高效短视探索
通过在多个任务上进行训练,可以证明多任务强化学习(MTRL)中基于共享结构的一般性策略共享算法具有适用于样本高效率的 myopic 探索设计,这是首次理论证明了 MTRL 的 “探索优势”。而多样性任务集的验证实验证明任务选择与自动课程学习 - 文本多样性的标准化测量:工具和分数的比较分析
通过对英文文本的计算性高压缩算法和 $n$-gram 重叠同质性得分的测量,我们发现多种测量指标的组合(如压缩比、长 $n$-gram 的自我重复、Self-BLEU 和 BERTScore)足以报告多样性得分,并可应用于生成模型、调试指导 - AAAIAI 身份的含义:创造者、创造物和后果
通过身份的视角,本论文探讨了人工智能(AI)与身份的交叉领域,以理解 AI 开发和应用中的偏见、不平等和伦理考虑,并提出了通过身份视角培养更具包容性和负责任的 AI 生态系统的综合方法。
- DiffuCOMET:上下文常识知识扩散
利用扩散学习重建叙事背景和相关常识之间的内在语义联系,我们开发了一系列以 DiffuCOMET 为基础的知识模型,为推断上下文相关和多样性常识提供了一种解决方案。我们的方法逐步优化了与叙事相关的常识事实表示,产生了与输入上下文相关且多样化的 - 对抗信息过滤泡泡:通过加权超图嵌入学习实现多样化音乐推荐
通过引入多样化加权超图音乐推荐算法 (DWHRec),在用户和已听曲目之间构建了带权重的超图,并将艺术家、专辑和标签与曲目的关联也附加到超图中,通过基于超图的随机游走嵌入方法来探索用户的潜在偏好,实验证明 DWHRec 算法有效地平衡了准确