- Deep Reinforcement Learning 中的状态行为表示学习
本文介绍了一种名为 SALE 的新方法,用于学习嵌入,以从低级状态中进行有效的表示学习,并将其与一种自适应检查点方法相结合,形成 TD7 算法,用于连续控制问题,并在 OpenAI gym 基准任务上表现出了显着提高。
- 面向单一集成的防欺骗说话人验证嵌入
本研究旨在开发一种单一的整合了反欺骗技术的演讲者验证嵌入式系统,此系统具备拒绝非目标演讲者及目标演讲者欺诈性输入的能力,而且与融合自动演讲者验证(ASV)及反欺骗对策(CM)嵌入式系统相比,能够具备竞争性的表现。该研究提出的新框架包括多阶段 - 通过 ICA 发现嵌入中的通用几何形状
本研究采用独立分量分析技术来揭示单词或图像嵌入的通用规律。研究表明,嵌入可以表示为几个轴的组合,这些语义轴在不同的语言、模态和嵌入算法中一致存在。这一发现有助于模型解释能力的提高,可能促进高度可解释模型的发展和大规模模型的压缩。
- ACL从对齐到蕴涵:面向实体对齐的统一文本蕴涵框架
该研究提出了一种新的实体对齐方法,将实体的三元组转化为文本序列,并以双向文本蕴含任务的形式对齐两个知识图谱中的实体,该方法利用预训练语言模型,能够更好地捕捉实体之间的联系,并在五个跨语言实体对齐数据集上表现优异。
- 利用实体为中心的数据测量刻板印象
本文提出并评估三种新的基于实体的学习方法,利用多个短语应用于同一人,从而放大所学关联的人本性质,以预测人们如何将身份应用于自己和他人,并量化社会上突出的维度上的刻板印象。实验证明这些模型在刻板印象测量方面胜过现有方法,并展示了这些模型在未来 - 超越负采样的高效分布式表示
本文提出了一种学习分布式表示的有效方法,该方法通过最小化类似于 Word2Vec 算法中引入并在后来的工作中采用的目标函数来实现,其优化计算瓶颈是需要进行一定数量的操作来缩放到与样本大小成二次正比的 softmax 标准化常数。然而,本文的 - 使用嵌入和图神经网络对知识图谱进行基数估计
本文提出了一种基于知识图谱嵌入和图神经网络的 GNCE 方法,通过对知识图谱中实体做语义嵌入和使用 GNN 处理查询来准确预测查询的基数,并在多个知识图谱的 q 误差方面对 GNCE 进行评估,表明其在估计准确性方面优于其他方法。
- 多个知识图谱嵌入模型上应用注意力的链接预测
通过结合多种模型的查询表示,用注意力机制选择最合适的模型来回答每个查询,将模型映射到柏克莱球形空间中,以学习关系和结构模式,提供更高的表现力和推断能力,并在各种链接预测基准测试中展开了广泛的实验分析,表明综合模型优于个别模型,包括最先进的方 - 检测分类和主题嵌入以获取分类信息
本文旨在了解嵌入式中如何结构性地编码分类信息,通过设计新的上位词 - 下位词探查任务并进行探查研究,我们发现分类嵌入式和主题嵌入式都会编码一些分类信息,但编码的数量和几何特性都独立于编码器架构和嵌入式训练数据。尤其是,我们发现只有分类式嵌入 - KGTN-ens: 知识图谱集成的少样本图像分类
本文提出了一个框架 KGTN-ens,扩展了最近的知识图传输网络(KGTN),以在小成本内合并多个知识图嵌入。作者使用不同嵌入的组合在少量样本图像分类任务中对其进行评估。同时,作者构建了一个新的知识源 ——Wikidata 嵌入,并使用 K - ACL基于同态加密的 BERT 嵌入隐私保护文本分类
该研究提出了一种基于同态加密的对嵌入向量进行隐私保护的机制,避免在文本分类过程中可能泄漏文本中的敏感属性信息,且大部分保留向量嵌入的实用价值。
- 上下文化语言模型中的否定、协同和量词
本文探讨了上下文化的语言模型及其内部机制,尤其关注其对虚词的语义学约束和周围环境的影响,研究了相应的数据集,实现了可视化的定性分析界面。
- 基于激活和显著性图解释基于 BERT 的文本相似性
本研究利用预训练的 BERT 模型提出了一种无监督的技术来解释段落相似性,该方法被广泛应用于数据集,证明了其在识别重要语义单词、匹配和检索关键词等方面表现优异,能够更准确地解释与人类感知相关的相似性预测。
- ICML稀疏高阶交互事件的非参数嵌入
本文提出了 Nonparametric Embeddings of Sparse High-order interaction events(NESH)方法,使用稀疏超图(张量)过程和矩阵高斯过程混合捕捉交互之间的渐进结构稀疏性和非线性时间 - 几何交互知识图谱嵌入
本文阐述了通过将知识图谱嵌入欧几里得空间、双曲空间和高维球面空间,提出了一种基于几何交互方法的知识图谱嵌入(GIE)。实验结果表明,与其他嵌入方法相比,GIE 在三个知识图谱数据集上的表现更加优异。
- KDD学习向后兼容嵌入
本文研究了嵌入式版本更新及其向后兼容性问题,并提出了基于学习向后兼容嵌入式的解决方案 BC-Aligner,成功解决了更新嵌入式版本但不需要重新训练消费者模型的问题。
- 矩阵分解的高效混合维度嵌入
本文提出了两种采用混合维度嵌入的矩阵分解模型,可以采用交替最小二乘法以大规模并行的方式进行优化,并针对用户和项目的流行度偏斜实现了是用稀疏,混合维度或共享嵌入降低参数数量和过度拟合的研究。
- ACL反向词典和定义建模的统一模型
本研究提出了一种用于检索词汇和生成定义的双向神经词典,通过共享层将词或定义映射到相同的表示空间,以多任务方式生成另一种形式,通过嵌入处理未知的单词,结果显示多个目标有助于学习,达到了有前景的自动化得分,并得到了实践验证和人工评估者的认可。
- 使用 CNN 的声景分类方法比较研究
本文研究了使用神经网络进行环境声音分类的三种不同类型的表示:谱图、MFCC 和嵌入式表示,并使用不同的 CNN 网络和自编码器来评估它们在分类准确度上的效果。我们发现使用谱图的分类准确度最高,而使用 MFCC 的准确度最低,同时提出了一些指 - 基于变分图嵌入的开放式世界组合零样本学习
本文提出了一种基于组合变分图自编码器(CVGAE)的方法来学习基本概念及其组成的可行性,以达到零样本分类的目的,并通过图像检索验证了该方法的有效性。