- IJCAIFedGCS: 通过基于梯度的优化在联邦学习中进行高效客户端选择的生成性框架
FedGCS 是一种创新的生成式客户端选择框架,它通过将客户端选择过程重新定义为生成任务来有效地编码丰富的决策知识,并利用梯度优化在连续表示空间中搜索最佳客户端选择,并通过波束搜索生成最终的最优客户端选择,从而在模型性能、延迟和能源消耗方面 - UFID: 一个统一框架用于扩散模型上的输入级后门检测
为了缓解背景肃清攻击的威胁,本研究提出了一个针对扩散模型的统一输入层背景肃清检测框架(UFID),它通过扩散模型的观察和理论因果分析进一步验证。广泛的实验结果表明,该方法在检测效果和运行效率方面表现出卓越的性能。
- 通过扩散模型联合生成场景图和图像
本文介绍了一项新的生成任务:联合场景图像生成。通过引入 DiffuseSG 模型,本文探索了生成逼真的场景图,使得图像生成具备高效和可解释性的控制能力,并展示了该模型在场景图生成以及相关应用中的优越性。
- DiffComplete:基于扩散的生成式三维形状补全
提出了一种新的基于扩散的形状完成方法,将形状完成作为一种基于条件的生成任务,并通过分层特征聚合机制和包含性感知融合策略来实现形状完成,从而在形状完成方面取得了最新的技术成果。
- 基于关键词的采样(KEYS)用于大型语言模型
本文研究了使用抽取的关键词进行采样来生成人类文本回答的问题,提出了一种使用知识蒸馏技术来提取关键词的新方法,并表明该方法在 QA 任务中的表现优于常用的解码方法。
- EMNLP零样本跨语言生成中克服灾难性遗忘
本文研究如何在只有英文标记数据的情况下,在目标语言中执行生成任务,以 summarization 作为案例研究。研究发现了通用的迁移学习方法在这种情况下存在困难,并且展示通过 prompt tuning 等方法可以实现跨语言生成。
- SIGIRELECRec:训练序列推荐器作为判别器
本文提出了一种针对顺序推荐模型训练的方法,即将模型作为一个判别器而不是生成器来训练,并在训练过程中使用一个辅助的生成器模型来生成备选目标物品,最终得到具有高效率和高效果的模型。
- CVPR面向场景的人体运动合成生成网络
本文提出了一种新框架,将场景和人体运动相互作用考虑在内,使用生成任务将人体运动的分布因子分解,并使用基于 GAN 的学习方法来提高其有效性。文中讨论了两个数据集结果,涵盖了真实和合成环境。
- 对话模型的对抗性评估
研究了使用对抗性损失来评估对话系统生成的对话回复的可行性。通过训练 RNN 区分模型生成的样本和人类生成的样本,发现该方法可能可行,但实际应用中仍存在许多问题。