- 双曲面人脸反欺骗
基于超几何空间和多模态特征的通用面部反欺骗方法在不同攻击类型下表现出显著的性能提升,并在少量攻击类型下具有很好的泛化能力。
- 层次多标签文本分类的最新进展:一项综述
本文综述了层次化多标签文本分类的最新进展,包括开源数据集、主要方法、评估指标、学习策略和当前面临的挑战,并列举了一些未来的研究方向,以便社区进一步改进该领域。
- DynaShare:基於任務和實例條件的參數共享用於多任務學習
本文提出了一种新颖的多任务学习参数共享方法,它在推理时间上联合任务和中间特征表示来调节参数共享。与传统的参数共享方法不同,我们的方法利用任务和输入实例动态决定哪些网络部分被激活。该方法学习一个分层门控策略,包括粗层选择的任务特定策略和个体输 - 基于语料库的开放域事件本体诱导
本文提出一种新型的 CEO 语料库事件本体感知模型,可以通过利用语料库中的显著性事件和外部事件知识,来缓解预定义事件本体所带来的数量限制问题,并且可以诱导具有意义的层次结构事件本体,在 11 种领域中有更好的覆盖率和更高的准确性。
- 跨设备用户匹配的层次化图神经网络与交叉注意力
本研究提出了一种基于分层图神经网络、交叉关注机制的跨设备用户匹配技术,可用于广告、推荐系统和网络安全等领域。
- 一个分层变量自治混合主动性框架:面向移动机器人的人机协作团队
本文提出了一种混合倡议 (MI) 框架,用于解决远程人操作员和人工智能代理共同控制移动机器人时控制权转移的问题。我们的 Hierarchical Expert-guided Mixed-Initiative Control Switcher - ECCV通过 "团队游戏" 重新思考轨迹预测
该论文提出了一个新的多智能体轨迹预测模型,它通过交互式分层潜空间明确引入组内共识的概念,可以更好地捕捉群体层面和个体层面的互动,从而在两个多智能体场景中均实现了优异的性能表现。
- 分层联邦学习中的时间最小化
本文提出了一种层次化联邦学习系统,结合联邦学习中的通信优化问题,通过优化本地迭代计数和边缘迭代计数,减少模型参数通信和计算延迟,并提出一种时限最小化的 UE-to-edge 关联算法。仿真结果表明,最优的边缘服务器和本地迭代计数可以使全局模 - ACLHi-Transformer: 高效、有效的长文档建模的分层交互式 Transformer
提出一种称为 Hi-Transformer 的层次交互 Transformer 模型,通过学习每个句子的表示来获取全局文档信息,可以高效、有效地处理长文档建模问题。
- EMNLP利用潜变量模型研究跨语言形容词排序倾向
本研究提出了一种基于语料库的多语言形容词顺序模型,能够在 24 种不同语言中准确排序形容词,并通过此模型提供强有力的证据证明了形容词顺序的普适性、跨语言及层级倾向。
- 层次化 Patch VAE-GAN:从单一样本生成多样化视频
本文提出了一种使用基于 patch 的变分自编码器(VAE)生成多样化视频的新方法,并将其与更细节的 patch-GAN 相结合,以在保证多样性的同时生成高质量视频。实验结果表明,该方法不仅可以生成多样化的图像,还可以处理更具挑战性的视频领 - 层次多尺度注意力用于语义分割
本文介绍了一种基于注意力机制的多尺度预测整合方法,其中的层次化结构能够节省大量内存,提高训练速度和模型精度,并在 Cityscapes 和 Mapillary Vistas 数据集上达到了新的最优结果。
- 基于语言驱动的动态分层变分网络合成不同语调语音
本研究提出了一种新的层次化有条件变分自编码器,用于生成声调特征,可用于合成语音信号,与现有技术相比具有更高的性能。
- 应用于结构特征空间扩展的子图网络
介绍了子图网络(SGN)的概念并应用于网络模型中,设计了用于构建 1 阶和 2 阶 SGN 的算法,并使用它们扩展底层网络的结构特征空间,以增强网络分类效果。
- IJCAI用于半监督节点分类的分层图卷积网络
本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能 - ECCV使用高斯混合树快速准确的点云配准
本文提出了一种新的基于分层高斯混合模型 (GMM) 表征的分层多尺度点云数据表示方法,采用 GPU 并行处理计算数据分割,通过动态选择细节程度和空间分布特征来实现以上 3D 感知问题的数据关联;与之前的点云最近点迭代算法和基于 GMM 技术