- 通过高效的上下文学习和高效的微调,增强新闻摘要的 ELearnFit
通过利用大型语言模型,本文研究了新闻摘要的两个关键方面:高效的上下文学习和参数高效的微调,最终创建了一种结合了前者的利用其学习能力和后者的微调优势的新模型,以提升新闻文章的综合能力。
- 学习浅层量子电路
学习浅层量子电路的多项式时间经典算法,使用单比特测量数据和局部逆置的量子电路表示,可以高效地学习难以模拟的量子电路。
- EsaCL:高效学习稀疏模型
提出了一种用于高效学习稀疏模型的新方法,该方法能够自动修剪冗余参数而不降低模型的预测能力,并且避免了重新训练的需要。通过理论分析和设计的修剪和数据选择策略,实验结果表明该方法在减少存储和计算资源的同时,能够在连续学习任务上达到与现有方法相媲 - 边缘上的设备学习:在预算约束下选择要更新的神经元的方法
挤压在极端存储和计算约束下的设备学习所需资源,提出了一种利用动态神经元选择和有效学习的新方法。
- 基于理论的去噪余弦相似度方法:高效表征学习
本文提出了一种基于余弦相似度损失函数的去噪 cosine-similarity (dCS) 损失,这种方法可以在机器学习中学习鲁棒的表示以应对真实世界数据集中的噪声干扰,实验结果显示该方法在视觉与语音领域中比基线算法具有更好的效率。
- ICLR可能性优先于效用:学习和使用分级的可用性
本文介绍了一种基于 Hierarchical Affordance Learning 的方法,通过学习层次性可提供性模型来修剪不可能的子任务以实现更有效的学习,相对于非可提供性感知方法,HAL 代理能更好地学习复杂任务,规避环境中的随机性, - 量子卷积神经网络(QCNN)教程
本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法,并通过与 TensorFlow Quantum 平台中使用的 MNIS - ACL通过元学习实现领域自适应对话生成
提出了基于元学习的领域自适应对话生成方法(DAML),该方法基于单域对话数据和元学习算法进行训练,并能够在新领域中学习出一种具有竞争力的对话系统。在模拟对话数据集上评估该方法的表现,实现了最先进的性能,该性能可推广到新任务。
- Momen (e) t:为学习分类形状的时刻调味
该论文研究了如何将点云作为非结构化数据进行处理以实现高效、精确的几何处理和分析方法,提出了一种基于多项式函数的神经网络技术用于 3D 形状分类,实验表明该网络在性能和计算效率方面均取得了最先进的结果。
- 学习超完备的隐马尔科夫模型
本文研究了过完备的 HMMs 学习问题,提出了正负两方面的新结果,界定了可处理和不可处理问题之间的边界,并讨论了如何学习能够捕捉长期依赖关系的过完备 HMMs。
- NIPS使用多模态深度强化学习训练交互式人形机器人
通过让人形机器人玩井字棋的学习方法,成功探索了多模态深度强化学习、机器人视觉感知和交互等方向,并利用语音、视觉和手势等方式让机器人在该游戏中实现了高效而自然的交互。
- 无监督结构预测的条件随机场自编码器
本文介绍了一个用于重叠的全局特征的无监督学习结构化预测的框架,提出了一个基于特征丰富的条件随机场对可观察数据进行条件预测的潜在表示方法,并使用具有封闭形式的最大似然估计的模型来(重新)生成输入的重建,使得无需进行不切实际的独立性假设或限制可 - ICML结构化预测的高效分解学习
本研究提出一种称为 Decomposed Learning(DecL)的新方法,通过限制推理步骤到结构空间的一部分来执行高效学习。我们表明,在真实世界的设置中,DecL 算法比精确的学习更有效和准确。
- 基于潜在函数的塑形和 Q - 值初始化是等价的
探讨了基于 potential-based shaping algorithm 的初始化步骤与 reinforcement learning 算法学习过程中的相似性,证明二者在一个广泛类别的策略下是无法区分的,并提出了一个更简单方法以捕捉该