entropy minimization | BriefGPT

关键词entropy minimization

搜索结果 - 31

通过置信度最大化和输入变换对分布偏移进行测试时间适应
该论文研究深度神经网络在非训练时数据分布下表现不佳的问题，提出一种全测试时间适应的解决方案，通过使用替代熵和添加基于批次的熵最大化的多样性正则化器来解决熵最小化的早期收敛和不稳定性问题，并且可以通过在完全测试时间适应性损失中学习无需目标域标
PDF3 years ago
数据分布转移时，使用自学习
本文针对系统域转移下的计算机视觉模型，提出了熵最小化和伪标记等自学习技术的应用，通过大量实验展示了显著的改进效果和实用性。同时，本文还提出了一个新的分类数据集 ImageNet-D，对于自适应算法来说具有一定的挑战性。
PDF3 years ago
AAAI通过混合目标函数重新审视 LSTM 网络，用于半监督文本分类
本文研究双向 LSTM 网络在文本分类任务中的监督和半监督学习方法，利用交叉熵损失以及熵最小化、对抗和虚拟对抗损失相结合的训练策略，在多个基准数据集上取得了最新的文本分类结果。
PDF4 years ago
基于源域松弛的图像分割领域自适应
提出了一种基于熵最小化的，无需同时访问源域和目标域图像的领域自适应（DA）方法，基于学习到的解剖学信息作为先验知识。该方法在多种分割问题中表现出可比较的结果，只需要使用一个网络和各种派生自解剖学信息的先验知识。
PDF4 years ago
半监督学习中的负采样
介绍了一种针对半监督学习的简单，快速，易于调整的算法 Negative Sampling in Semi-Supervised Learning（NS3L），该算法通过向现有的 SSL 算法 (如 Virtual Adversarial T
PDF5 years ago
ICML紧凑语言中的熵最小化
研究神经代理在通讯任务中共同训练时出现的语言，并聚焦于两个代理一次交流的基本设置，发现这类语言呈现出信息论复杂性且受到熵极小化压力的影响。
PDF5 years ago
EMNLP跨领域情感分类的自适应半监督学习
本文提出一种面向跨域情感分类问题的方法，该方法采用半监督学习的想法，联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明，该方法可以更好地利用来自目标域的未标记数据，在各种实验设置中都取得了重大改进。
PDF6 years ago
深度贝叶斯主动半监督学习
通过半监督深度学习与主动学习相结合的方法，使用尽可能少的标记样本，同时利用熵最小化对未标记样本进行训练，在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可
PDF6 years ago
无监督深度域自适应的最小熵相关对齐
采用深度学习方法实现无监督域自适应，通过研究源域和目标域之间的二阶矩对齐可以最小化熵，提出了一种比欧几里得方法更有原则性的策略，利用源到目标的正则化器以无监督和数据驱动的方式量化，并在标准性的域适应基准测试中证实了该框架的优势。
PDF7 years ago
一种表示对话系统和通过动态随机状态演化基于熵的对话管理的概率框架
本文提出了一个概率框架，用于目标驱动的口语对话系统，并定义了新的动态随机状态（DS-state）来描述不同阶段对话状态的目标集。同时，提出一种熵最小化对话管理（EMDM）策略，结合 DS-states 以实现在达到用户目标方面的强健且高效的
PDF9 years ago
从 Schrödinger 问题到 Monge-Kantorovich 问题
通过采用凸分析和功能分析证明，蒙日 - 坎托洛维奇问题是当波动参数趋向于零时，一系列熵最小化问题的极限，证明了熵最小化的收敛性以及极限点是最优运输策略的事实，同时考虑随机路径的动态问题，并揭示动态和静态问题之间的联系；我们证明了伽玛收敛的特
PDF14 years ago