- 所选之人:文本到图像传播模型中的一致字符
最新的文本到图像生成模型在提供视觉创造力方面有巨大潜力,但在一致性字符生成方面存在困难。本文介绍了一种完全自动化的解决方案,通过文本提示作为唯一输入,使用迭代的过程来生成一致性字符,并展示了其在多个实际应用中的实践。
- 隐式深度学习中像训练测试
本文提出了问题,并在简单的情境下给出了详细的理论分析,证明了对于超参数化网络,与训练时相比增加测试时的内部迭代次数不能改善性能。
- MM学习窄的一层 ReLU 网络
我们提出了一个基于随机高阶矩张量收缩的多尺度算法,用于发现个别神经元。在学习由 $k$ 个 ReLU 激活的线性组合方面,该算法是首个在多项式时间内成功的,而且无需额外假设网络的正系数或隐藏权重向量的矩阵具有良好的条件数。
- ICML基于伪度量学习的离线强化学习
本研究提出了一种离线强化学习方法,其中使用迭代过程学习伪度量(与双仿度量密切相关),并将其用于定义与记录转换接近的状态操作对,同时利用此伪度量定义了一个基于查找的奖励,以帮助 actor-critic 算法在手动操作和运动任务中学习。
- AAAI迭代数据编程扩展文本分类语料库
该研究采用数据编程方法,使用基于邻域的弱模型来扩充文本数据集,并通过迭代的过程从大量未标记的数据中鉴别出稀疏分布的例子,并以人为中心确认这些标记数据的过程中,不断改进新的弱模型。研究结果表明,该方法可以显著提高文本分类任务的准确性。
- MintNet:使用掩蔽卷积构建可逆神经网络
该论文提出了一种构建可逆神经网络的新方法,具有类似于 ResNets 的架构并且能够作为生成模型使用,在 MNIST、CIFAR-10 和 ImageNet 32x32 数据集的分类和生成任务中均表现得出色
- NIPS通过对抗数据增强方法泛化到未见领域
该篇研究论文提出了一个基于循环迭代的数据增强方法,使用虚构的目标领域中存在 “困难” 样本的数据来训练学习模型,以在先前未知的目标领域上实现更好的一般化表现。该方法利用对抗性示例以及数据依赖正则化来提高模型性能。
- 理想情况下自适应多层分裂算法分析
本文研究使用适应性多层分割算法估计罕见事件的概率,并证明其估计器是无偏的,另外还得出了估计器方差和算法成本的精确渐近展开式,以及该算法中的粒子系统和交互式流程。
- MM多个压缩深度图的 3D 表面精度增强
本文提出了一种基于多个描述符的迭代投影方法,关注在纹理加深度表示的 3D 场景中,压缩不失真的深度图,通过考虑多个视角的多引描述,可以使收敛的深度图比原始量化版本具有更高的精度。
- ICLR连续学习:使用特征代数工程超级特征
本文研究的问题是在给定的训练数据集中寻找预测模型。我们提出了一种迭代过程,用于得到一系列不断改进的模型和对原始输入空间的一系列非线性特征。在有限的 N 次迭代后,非线性特征变成原始空间上 2^N - 次多项式。我们展示了在无限次迭代的极限情 - 非参数稀疏性和正则化
研究非线性模型下的监督学习与变量选择问题,提出一种基于偏导数的非参数稀疏模型,利用再生核希尔伯特空间的概念和近端方法得出最小化问题及迭代求解算法,并通过理论和实验分析表明其具有优秀的性能表现。