- 梯度对齐用于跨域人脸反欺诈
介绍了一种新颖的学习目标 GAC-FAS,该目标鼓励模型收敛到一个最优的平坦最小值而不需要额外的学习模块,通过在每个域上识别升序点并调节在这些点的泛化梯度更新,使得模型对领域变化具有稳健性。在具有挑战性的跨领域 FAS 数据集上进行了严格测 - AI 生成(GPT-4)与人工编写的编程教育选择题的比较研究
通过分析 GPT-4 在高等教育的 Python 编程课程中生成的多项选择题(MCQs),我们发现 GPT-4 能够产生具有清晰语言、单一正确选项和高质量干扰项的 MCQs,并且这些生成的题目与学习目标高度一致。这些研究结果对于希望充分利用 - UTBoost: 基于树提升的提升建模系统
通过创新 GBDT 算法的两种方法,即序贯学习和克服反事实性,用于 uplift modeling,该研究提出了一种能够优化资源分配、最大化整体回报的客户激励估计模型,并且在大规模数据集上的实验证明了该方法的有效性。为了方便应用,还开发了针 - ChatGPT 与学习目标是否需要重写 —— 网络安全中的 CASE 研究
人工智能聊天机器人工具、代码编写人工智能工具、网络安全本科教育、学习目标和自动化工具是该研究论文的关键词,并且论文主要探讨了新型人工智能工具对教育和就业的影响,以及如何在培养学生能力的同时与这些工具合作。
- 利用 LLM 在课程设计中:使用 GPT-4 支持学习目标的编写
通过评估 GPT-4 在人工智能实践课程中生成高质量学习目标的能力,本研究结果显示,自动生成的学习目标大多合理,表达准确,符合 Bloom 分类法的不同层次,可以用于支持课程和课程设计的工作。
- 通过盒嵌入使用概率评分器完成分类法
在这篇文章中,我们提出了一种名为 TaxBox 的新框架,该框架使用盒状嵌入将 Taxonomy 概念映射到空间,并利用两个概率评分器处理概念附加和插入,从而避免伪叶片,实验结果表明,TaxBox 在四个真实数据集上的表现优于基线方法,并在 - K-12 计算机教育中的人工智能学习建议
本文提供了一套以数字素养和社会视角为重点的 AI 学习目标,旨在帮助补充现有的计算机科学课程,并提供有关 AI 的核心概念和相应的能力的见解。
- 通用源代码的神经解释
介绍了一种新的神经模型 Neural Interpretation,能够抽象地执行具有一定泛化性的 Python 代码,它的变量和函数都有着相应的神经网络,通过一定的学习目标进行训练使得可以准确地定位和修复变量误用。
- 轨迹平衡:GFlowNets 中改进的信用分配
该文研究了生成流网络中的学习策略,提出了一种更有效的学习目标 - trajectory balance,并在实验中验证了其提高生成样本多样性和网络收敛性的效果。
- NoiLIn: 改进对抗训练与校正嘈杂标签的刻板印象
通过在对抗训练的过程中注入随机噪声标签,我们提出了一种新的训练方法 NoiLIn,可以有效地解决模型鲁棒性和准确性之间的折中问题,并进一步提高了当今最先进的对抗训练方法的泛化能力。
- 最小化排名区间和的学习
该论文提出了一种将一组单独的值合并为单个输出的学习目标函数方法,该方法通过排序后的数值范围之和(SoRR)来最小化,其中使用凸区分算法(DCA)求解,应用于二元和多元分类问题中的损失函数优化,实验证明了该优化框架的有效性和应用价值。
- 粒子物理中的图神经网络
介绍了图神经网络在粒子物理学中应用的各种情况,并探讨了它在粒子物理学中的潜在应用。
- ECCVGANwriting:基于内容条件生成手写字体图片
该研究通过提出一种基于书法风格特征和文本内容来调节生成过程的方法,使生成的手写单词图像更真实和多样化。该模型不受预定义词汇的限制,能够渲染任何输入的单词,并且在少量样本的情况下能够模仿样本写手的书法特征。研究通过定性、定量和基于人的评估显著 - EMNLPTransformer 模型中表示形式的自下而上演化:机器翻译和语言建模目标研究
本文研究不同学习目标下深度神经网络中单个标记的表现形式和学习的特征空间结构如何在各层之间演变,通过经典相关性分析和互信息估计研究信息如何在 Transformer 的不同层之间流动,并说明此流程如何取决于学习目标的选择。
- ICCV聚焦:具有关注可分离性和一致性的学习
提出一个新的框架,通过学习过程将分类判别的注意力作为其中的一个基本部分,实现对注意力的分离和跨层一致性控制,有效地提高了图像分类的准确度,包括提高了 CIFAR-100 (+3.33%)、Caltech-256 (+1.64%)、ILSVR - NIPS使用动态损失函数学习教学
本文探讨了通过动态、自动输出适当损失函数来训练机器学习模型的可能性,并提出了一种高效学习教师模型的方法(称为 “学习动态损失函数的教学”),经过对图像分类和神经机器翻译等任务的广泛实验,证明了该方法显著提高了各种学生模型的质量。
- EMNLP图像字幕中的目标幻觉
该论文提出了一种新的图像相关性度量标准,以评估当前的图像字幕模型,防止物体幻觉现象,并探讨模型架构和学习目标对物体幻觉的贡献,以及语言先验对幻觉的影响,研究发现表现最佳的图像字幕模型并不总是具有较低的幻觉,并且出现幻觉的模型往往受到语言先验