- 通过迁移学习实现肝脏病变分割和分类
本论文研究将联合学习和迁移学习两种方法结合运用于肝脏病变分割和分类问题上,在医学影像应用中,由于目标数据集通常非常小,迁移学习可以提高特征学习的效果,而联合学习对于提高网络的泛化和鲁棒性更为有效。
- JL-DCF: RGB-D 显著性目标检测的联合学习和稠密协同融合框架
本文提出了一种新颖的联合学习和密集协作融合(JL-DCF)架构,用于 RGB-D 显着对象检测。通过 Siamese 网络,JL-DCF 从 RGB 和深度输入中学习,提供了稳健的显着特征学习和互补特征发现。在四个流行计量标准上全面实验表明 - CVPR学习数据增强:文本识别联合数据增强和网络优化
本文提出了一种新的文本图像增强方法,使用自定义的参考点来生成更适合训练识别网络的样本,并通过联合学习框架优化训练过程,实验证明该方法显著提高了识别网络的性能。
- 命名实体识别和实体链接的联合学习
本文介绍了一种受 Stack-LSTM 启发的模型,利用命名实体识别和实体链接的相关性进行联合学习,从而在 NER 和 EL 两个任务中获得更强的性能,并取得了竞争性的最新成果。
- ACL分析跨语言词嵌入映射的限制
本研究探讨了跨语言词嵌入的离线和联合学习方法,并发现在并行语料库下,联合学习可以更准确地解决不同语言间的相似性问题,尤其在双语词典诱导方面表现更优。因此,建议在跨语言嵌入研究中加强联合学习的研究。
- ACL通过双重信息最大化共同学习语义解析器和自然语言生成器
本文介绍了一种联合学习框架,旨在通过一种新颖的双重信息最大化方法对两个任务 (自然语言生成与语义分析) 进行正则化学习,进一步将其扩展到半监督学习,并在对话管理和代码生成 (以及总结) 三个数据集上进行了实验,结果表明 DIM 可以提高两个 - CVPR人员重识别的联合判别和生成学习
本文提出了一个联合学习框架,将 Re-ID 学习和数据生成端到端地耦合在一起,通过生成高质量的跨 ID 组合图像来提高鉴别模块的性能,该框架在多个基准数据集上达到了最先进的性能表现。
- 联合深度多视角学习用于聚类分析
本文提出了一个新的深度多视图联合聚类框架 (DMJC),结合多个深度特征,多视图融合机制和聚类分配可同时学习,以提高聚类性能。通过两种不同的方案实现多视图融合,优化 KL 散度聚类目标来进行 DMJC-S 和 DMJC-T 的优化。实验证明 - ECCV本质图像和语义分割的联合学习
该研究提出了一种基于反射图像的半监督 CNN 自动学习模型,该模型同时处理语义分割和本征图分解任务,该模型可以提高自然场景下两种任务的准确性。
- COLING通过联合学习歧义形态标记来提升命名实体识别
本研究提出了一种模型,通过联合学习 NER 和 MD 标签器来减轻需要 MD 工具的需求,并且可以在不同语言之间独立进行,实现了命名实体识别性能的提高和竞争性的形态消歧定位器表现。
- IJCAI一种层次化的端到端模型,用于同时改善文本摘要和情感分类
提出了一种使用分层端到端模型联合学习文本摘要和情感分类的方法,将情感分类标签视为文本摘要输出的进一步 “摘要”,实现了摘要和分类两个任务的统一,该模型在亚马逊在线评论数据集上表现优于强基准系统。
- 基于注意力机制的层次化神经网络进行方面级情感分类
本文介绍了一种利用 AOA 网络的方案,用于精准的情感分析,相较于之前的基于 LSTM 的网络结构,有更好的表现。
- 使用深度混合玻尔兹曼机和去噪自编码器的在线半监督学习
本文提出两种新型的深度混合架构,即深度混合玻尔兹曼机和深度混合去噪自编码器,用于处理半监督学习问题,并将其应用于数据流领域以实现终身学习,旨在提高辨别任务的整体预测性能。结果表明,与伪标注、dropout 整流器网络相比,所提出的结构具有更 - NIPS迈向视觉图灵挑战
我们总结并讨论了针对语言和视觉的理解方面的一些挑战,其中解决方案将这两种模式紧密联系起来,以实现联合学习和推理过程。我们提供了一些解决方案,并在基于室内图像的问题回答任务上展示了一些解决方案,该任务建立了视觉图灵挑战。最后,我们辩称除了现有