- 基于不确定性量化的生成模型与判别模型对比
通过对生成法和判别法进行比较分析,研究聚焦于从各种来源获取信息的不确定性感知推断,以及对半监督学习的兼容性,推导出一般的采样方案,从后验预测分布中获得监督学习和半监督学习。
- CVPRDiffInject: 通过基于扩散的样式注入重新审视去偏倚
通过使用预先训练的扩散模型,我们提出了一种名为 DiffInject 的简单而强大的方法,用于增强合成的偏置冲突样本,从而显著推进了扩散模型在去偏置中的应用。该方法不需要对偏置类型或标记进行明确的了解,使其成为一个完全无监督的去偏置设置。我 - 基于自监督学习的手写验证
我们研究了应用于手写验证任务上的自监督学习方法,对比了多种生成式对比式自监督学习方法和手工特征提取器以及有监督学习在 CEDAR AND 数据集上的表现。结果显示,基于 ResNet 的变分自动编码器(VAE)在准确度上超越其他生成式方法, - FlowSDF:使用距离变换进行医学图像分割的流匹配
提出了一种基于图像引导的 SDF 条件流匹配框架,用于表示分割掩模的隐式分布,并通过采样分割掩模的分布来评估统计量,从而生成方差表示的不确定性地图,从而提高医学图像分割的预测鲁棒性和分析能力。
- E2TP: 元素到元组提示改善方面情感元组预测
本研究介绍了一种基于生成式方法的面向方面的情感分析(ABSA)的新方法,采用了两步架构的元素到元组提示(E2TP)。通过将任务拆分为可管理的部分,并使用第一步的输出作为第二步的指导,E2TP 设计了三种类型的范例,即 E2TP(饮食)、E2 - 使用生成对抗网络进行跨模态翻译以揭示阿尔茨海默病生物标志物
研究探索了在阿尔茨海默病的语境中使用生成对抗网络(GAN)从功能网络连接和 T1 加权结构磁共振成像数据中生成相应的数据,并通过集成弱监督的方式提高数据过渡的质量。结果显示模型具有良好的相似性和相关性,并在阿尔茨海默病患者的脑部图像中发现了 - 用问题关注的段落抽取增强预设的生成式语言模型在机器阅读理解中的应用
在自然语言处理领域,机器阅读理解(MRC)存在着重大挑战。尽管主流的 MRC 方法主要使用仅编码器模型(如 BERT)利用抽取策略,但生成式方法面临着超出控制的生成问题 —— 这是一个关键问题,生成的答案经常是不正确、不相关或与源文本不一致 - 人工智能未学习的内容(以及原因)
当今 AI 技术在深度学习和生成式方法的发展下,取得了令人瞩目的成果,但在机器人领域却鲜有影响。目前的自主机器人并不通过与人的互动来学习在家中护理或担任护理助手等应用,而是依赖数学模型、规划框架和强化学习。因此,将机器人 AI 与深度学习技 - DMoERM:混合专家模型的有效奖励建模方法
通过在奖励模型中引入 Mixture-of-Experts (MoE) 思想,我们提出了一种新的 Double-Layer MoE RM (DMoERM) 模型,该模型在任务分类和能力维度上的精细调优方面表现出卓越的性能,并超越了先进的生成 - 零封闭自解释社交媒体上的心理健康分析并结合心理评估
传统的心理健康分析方法在能力上较强,但缺乏解释性和大量的标注数据。相比之下,基于大型语言模型的生成方法具有消除繁重注释和提供解释的潜力。然而,它们的能力仍然不及判别方法,并且由于解释的生成是黑盒过程,可能不可靠。受到使用量表评估精神状态的心 - 事件序列的自我监督学习:生成建模和对比学习的比较研究与混合方法
该研究探讨了自监督学习技术以获得事件序列的表示,进行了生成方法和对比方法的综合研究,并介绍了一种将生成和对比嵌入对齐的新方法,证明其在各种任务上至少达到现有方法的水平,并且在数据集上一直优于有监督方法。
- PlayFusion: 通过语言标注游戏实践实现技能获得
通过学习无结构和未经整理的数据来生成语言和视觉方面的方法成为了主流。本论文研究了从带有事后语言标签的无结构游戏数据中学习目标导向技能策略的问题,并借助扩散模型的进展,从无结构游戏数据中提取机器人技能。
- EMNLP受指导的语言模型结合检索器是强大的实体链接器
通过指导性生成实体连接器,使常规语言模型在大规模知识库上能够进行实体连接,有助于克服生成模型的虚幻性,提高链接表现并提高数据和计算效率。
- MM预测性和生成性环境下侵入式和非侵入式语音增强评估量的行为
研究发现,基于预测和生成两种模型训练的语音增强模型会对干扰和非干扰性能指标表现出不同的相关性,促使人们寻找更完整、不偏不倚的语音增强性能测量标准。
- EMNLP具有判别校正的高度并行自回归实体链接
本文提出了一种高效的生成方法,采用并行自回归流程和浅层解码器实现实体消岐和链接,并增加了区分度组件,达到了比之前的方法更快( >70 倍)更准确的效果,代码开源。
- ACLUniKeyphrase: 用于关键词预测的统一提取和生成框架
本文提出了一种新的端到端学习框架 UniKeyphrase,通过堆叠关系层和词袋约束来充分利用模型结构和训练过程中的潜在语义关系,能够更好地预测关键短语,实验结果表明,这种联合方法在关键短语预测上比主流方法表现更好。
- ACL无监督关系抽取再审视
通过使用命名实体来诱导关系类型,我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术,并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。
- ACLDAL: 双重对抗学习用于对话生成
通过引入对抗生成学习,利用查询生成与回复生成二者之间的对偶,提高回复的多样化,通过模仿人类评委来引导系统生成自然回复的新颖框架 Dual Adversarial Learning 在高质量回复的生成方面取得了很好的效果。