关键词large-scale applications
搜索结果 - 9
- 大规模双层优化的内存高效梯度展开
本文介绍了 $(ext {FG})^2 ext {U}$,一种解决大规模双层优化问题的新方法,该方法通过无偏随机近似元梯度来提供更准确的梯度估计,并且支持并行计算以提高计算效率。$(ext {FG})^2 ext {U}$ 在不同阶段的训练 - 可扩展的高阶张量积样条模型
在当前海量数据和透明机器学习的时代,为了在大规模操作的同时提供对方法内部工作的清晰数学理解,本论文提出了一种使用因子化方法来导出高度可扩展的高阶张量乘积样条模型的新方法,以解决目前大规模应用中可解释的半参数回归方法在模型复杂度和交互作用缺失 - ICCV通往全能图像嵌入:一个针对通用图像表示的大规模数据集与挑战
该研究论文通过构建一个新的大规模公共基准数据集,评估了通用图像嵌入的性能,并通过实验证明,与单独训练每个领域的模型相比,现有方法和简单的扩展方法的性能较差。
- 语义比例下的语义分割
提出了一种新的语义分割方法,只需要语义类别比例的大致信息,大大简化了数据标注过程,可行性更强,并取得了可比甚至更好的性能表现,为未来的语义分割研究提供了一个有前途的方向。
- ICML通过部分转移改进小批量最优输运
本文提出了一种基于 Partial Optimal Transport (POT) 的 Mini-batch Partial Optimal Transport (m-POT) 方法,用于解决 Mini-batch Optimal Tran - 数据科学的谱方法:统计学视角
使用特征谱方法从现代统计的角度系统、全面且易于访问地介绍了一类从数据中构建矩阵,然后使用上述矩阵的特征向量(Singular vectors)和特征值(Singular values)进行数据分析的方法。特别地,我们围绕着多个中心问题来阐述 - ICML端到端可导证明中学习推理策略
本文提出了一种名为 Conditional Theorem Provers(CTPs)的方法,它是 Neural Theorem Provers(NTPs)的扩展,可以通过基于梯度的优化学习出最优规则选择策略以实现可解释性和可扩展性,并且在 - 无模型分层强化学习中的表示学习
本文提出了一种基于最近的经验的无模型子目标发现方法和内在动机学习机制相结合的层次强化学习方法,可以应用于大规模的问题,实现了对环境模型的无需获取,用于解决强化学习面临的巨大状态空间和稀疏奖励反馈的问题。
- ICML学习高效结构稀疏模型
本文提出了一个用于结构化稀疏编码和建模的综合框架,扩展了使用可学习的快速回归器来逼近精确稀疏编码的最近思想,并演示了一个有效的前馈体系结构来近似精确结构化稀疏编码与标准优化方法相比,此体系结构的复杂性仅为一小部分,并且可以应用于大规模实时应