- 参数化量子电路中基于扩散的量子噪声抑制
该研究论文探讨了参数化量子电路(PQCs)与量子噪声的关系,并提出了一种基于扩散的学习方法,以减小 PQCs 中的量子噪声并降低特定任务的误差。通过实验证明了该学习策略的高效性,并在量子噪声情景中在分类任务上取得了最先进的性能。
- 基于广义似然比检测的私有 5G 网络中的单类分类作为干扰检测
通过分析具有专用设备的无线电信号,我们提出了一种用于检测干扰攻击的方法,并使用卷积神经网络 (CNN) 作为检测器实现广义最大似然比准则 (GLRT)。通过使用包括真实合法信号和人工生成的模拟不同类型干扰信号的数据集训练 CNN,我们评估了 - 基于邻域的 Dubins 旅行推销员问题的特权信息提取
文中提出了一种新的学习方法,用于解决带有邻域的 Dubins 旅行推销员问题 (DTSPN),以快速生成通过给定任务点邻域的非全向车辆的路径。该方法包括两个学习阶段:首先,模型无关的强化学习方法利用特权信息从 LinKernighan 启发 - SAAS:增强大型语言模型数学推理的解决能力放大策略
本研究提出了一种新颖的学习方法,旨在增强大型语言模型的数学推理和问题解决能力。通过整合思维链和思维方案的学习,以解决数学问题为重点,提出了一种名为 SAAS 的顺序学习方法。经过广泛的性能比较实证研究,结果表明我们的 SAAS 在数学推理领 - Portrait4D-v2:伪多视角数据创造更好的 4D 头部合成器
通过使用伪多视图视频,我们提出了一种新颖的学习方法,用于前馈一次性 4D 头像合成,并利用运动感知交叉注意力的简单视觉转换器骨干,我们的方法在重建保真度、几何一致性和运动控制精度方面具有优于先前方法的性能。
- 无需使用 Deepfake 的 Deepfake 检测:通过合成的频率模式注入进行泛化
通过在图片生成过程中注入不同频率的合成模式,提高了深度伪造检测器的泛化能力。使用该方法训练的模型能够实现先进的深度伪造检测,并能有效地识别任意生成技术产生的深伪造。
- 动态特征选择的条件互信息估计
本文介绍了一种基于信息论的动态特征选择方法,通过学习选择策略实现特征效益的高效获取。与现有最先进方法相比,该方法在各种数据集上都提供了一致的收益。
- 通过 L1-L2 优化实现结构化模型选择
该研究提出了一种学习方法,通过稀疏最小二乘拟合和非凸 l1-l2 稀疏优化解决器来鉴定结构动力系统,该方法基于科学工程中的自动模型选择应用,研究了少样本和噪声空时数据的识别问题。
- EMNLP执行定位协作交互中的指令
我们研究了一种协作场景,其中用户不仅指示系统完成任务,而且与系统一起行动。我们通过建立一个游戏环境来研究这个场景,并学习将用户的指令映射到系统的动作,以实现误差恢复和多目标指令的显式推理。我们通过新的评估协议和人类用户的交互和在线游戏进行评 - Entity-aware ELMo:学习上下文实体表征以解决实体消歧
本研究提出了一种新的本地实体消岐系统,依赖于一种名为 E-ELMo 的实体感知扩展 embedding 方法,能在指定的段落中,基于其它提及的实体,预测它们所指的具体实体,并在 AIDA test-b 评测中提高 0.5% 的微平均准确率, - ACL采用单步奖励观察的顺序指令到动作的现场映射
该研究提出了一种学习方法,用于将上下文相关的顺序指令映射到动作,并设计出 SESTRA 算法来训练最大化即刻期望奖励的模型,从而实现单步奖励观测。同时,该算法考虑到交互的历史和世界状态的影响,通过实验表明,相较于逻辑表示方法,提出的算法在 - DeepBugs: 一种基于命名的缺陷检测学习方法
本文介绍了一种基于 DeepBugs 的学习方法,结合了自然语言元素和语义表示进行代码中的错误检测,并通过简单的代码转换生成了可能的错误代码示例,应用该方法到 150,000 个 JavaScript 文件中,获得了高准确率的错误检测结果。
- IJCAI无标注和一次训练学习均质物体聚类的实例分割
本文提出了一种单镜头拍摄无需人工标注的全新方法,包括学习方法、新型的求解器、光照变换方案,并建立了一个由像素级注释的同质对象簇数据集,对这一方法进行了广泛的实验和比较。
- 最优边际分布机器
提出了一种名为 ODM 的新方法,旨在通过优化边际分布来实现更好的普适性能,是一种可以应用在 SVM 的任何地方的一般学习方法。该方法利用边际平均值和方差来表征边际分布,该方法的优越性在理论和实践中均得到验证。
- KDD大间距分布式机器
本文介绍了基于边缘分布优化的大边缘分布机(Large margin Distribution Machine,LDM)学习算法,提高了支持向量机算法的泛化性能,该方法通过边缘分布的一阶和二阶统计量,即边缘均值和方差来表征模型,且其在理论和实 - 学习如何将新物体放置在场景中
本文针对机器人在无序的环境中进行多物体放置提出了一种学习方法,通过设计适当特征和运用图形模型对各种属性进行编码,并在模型中运用整数线性规划进行推理和求解,最终在 16 个品类、40 个区域内对 98 个物体进行了广泛的评估和实验,其结果表明