- 负债正向:统一的双路径适配器用于视觉 - 语言模型
我们通过引入双向学习的概念,创新性地将其应用于微调视觉 - 语言模型,并提出了一种新颖的 DualAdapter 方法,通过同时进行正向选择和负向排除来提高 VLM 在下游任务中的识别准确性。在 15 个数据集上的广泛实验结果验证了所提出的 - ACL低资源任务导向的对话系统的多重对称双学习
通过数据挖掘和双重学习,本论文提出的新方法可以显著提升任务导向对话系统在低资源情境下的效果。
- 大词汇量本地 ASR 的双向学习
通过对一种在 conformer 模型上的 unsupervised 的 dual learning 方法的实验,取得了相对于之前模型的 10.7%/5.2%(没有 LM) 和 11.7%/16.4%(有 LM) 的 WER 提升,该方法对 - MM双向学习音乐创作与舞蹈编排
研究音乐和舞蹈生成模型,提出了一种双重学习方法,既可以为给定的舞蹈创作音乐,又可以为音乐创作舞蹈编排,以使生成的作品更加逼真和符合条件的输入。
- CVPR双重对比学习用于无监督图像翻译
本文提出了一种新的基于对比学习与双学习设置的方法,用于有效地推断未匹配数据之间的映射,同时解决了 “切割” 方法存在的潜在问题,并通过大量的消融研究和多个挑战性的图像翻译任务展示了优越的性能。然后,我们证明了非监督方法和监督方法之间的差距可 - EMNLPDualTKB: 文本与知识库之间的双重学习桥梁
本文提出了一种基于双向学习的无监督文本到路径和路径到文本转化方法,研究了弱监督对模型性能的影响,并提出了一种适用于生成模型的 Commonsense KB 完成度量。实验结果表明,该方法与现有的基线方法相比,效果明显提高,是实现自动 KB - EMNLP双重重建:半监督神经机器翻译的统一目标
比较了交替回译和双向学习的效果,提出了新的双重重建目标,实验证明对于德英和土英任务,交替回译比双向学习更加有效。
- ACLCDL: 情感可控回复生成的课程双重学习
本文提出了一种名为 Curriculum Dual Learning (CDL) 的新型框架,扩展了情感可控反应生成任务,引入情感查询,设计双重任务,利用情感和内容两个奖励提高关联性,采用课程学习逐步生成高质量响应,通过实验证明了 CDL - WWW通过双向学习利用代码生成提高代码检索和概述质量
本文提出了一个新的端到端模型来同时处理代码摘要生成和检索两个任务通过引入额外的代码生成任务,利用双向学习明确地利用了代码摘要和代码生成之间的概率相关性,通过多任务学习利用用于代码摘要和代码生成的两个编码器训练代码检索任务。作者在现有的 SQ - WSDMDDTCDR:深度双重转移跨领域推荐
本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型,该模型在电影、图书和音乐三个领域的数据集上经过充分测试,表现优于其他传统模型。
- EMNLP神经机器翻译多智能体学习
本文提出一种多智能体交互更新的 NMT 模型框架,包括双向解码和多种 agenets,通过互相学习提升翻译质量,实验证实该方法在多项翻译任务中具有竞争性能力。
- ACL双向学习的语义解析
本文提出了一种使用双重学习算法的语义解析框架,通过与逻辑形式的查询之间的博弈,使语义解析器充分利用数据从而达到更好的性能。实验结果表明,该方法在 ATIS 数据集上取得了最新的最好性能,并在 Overnight 数据集上取得了有竞争力的性能 - 零样本双向机器翻译
本研究提出了一种基于无监督学习和半监督学习的组合方法,将双重学习与零样本学习相结合,通过加强翻译任务的对偶性,并且只需要被翻译成的单一语言的单语数据,来优化机器翻译质量,结果表明该方法在零样本条件下英语、西班牙语和法语三者之间,取得了较传统 - CVPR条件图像翻译
本文研究了一种新的有条件的图像翻译方法,并基于 GAN 和双学习处理了无成对数据的问题。实验结果表明该方法有效。
- 使用无偏倾向估计的无偏学习排序
本文提出了一种名为 DLA 的双重学习算法,该算法可以联合学习无偏好排名和无偏好倾向模型,以直接从有偏好的点击数据中学习无偏好排名模型,避免了对点击数据的特殊要求,实现了自适应学习和在线学习。实验结果表明,使用 DLA 训练的模型明显优于基 - ICCVDualGAN:无监督的双重学习用于图像到图像的翻译
通过双重学习机制,该论文提出了一种新的双重生成对抗网络模型 ——DualGAN,可在缺乏标签数据的情况下,实现多种图像翻译任务,并取得了可观的性能提升。
- 学习残缺图像以进行人脸属性操纵
该论文提出了一种面部属性操作方法,基于生成对抗网络,并使用图像转换网络和鉴别网络。通过学习前后图像的差异,来实现属性操作,并使用双向学习方法。实验结果表明,该方法可以有效地进行面部属性操作,保留了不相关部位的细节。
- 随机网络优化中在线学习的优势
本文探讨了在未知系统统计数据的情况下,利用在线学习检测随机网络优化中的系统控制技术,证明了两个在线学习辅助控制技术 OLAC 和 OLAC2 的性能保证,并通过模拟结果证明了这些算法在实践中的优越性。