- FAIIR 工具:面向青少年心理健康服务提供的对话式人工智能智能助手
本研究介绍了创建和评估 FAIIR(前线助手:问题识别和建议)工具的经验,该工具利用自然语言处理,通过应用到 Kids Help Phone 的前线危机响应情境,利用领域适应和优化的 Transformer 模型识别青少年可能遇到的问题。
- 基于延迟反馈的预算推荐
在有限的资源和延迟反馈的情况下,研究了延迟反馈对约束上下文多臂赌博问题的影响,并开发了一种决策策略(DORAL),以优化资源在具有依赖延迟反馈的上下文多臂赌博问题中的使用。
- FunnelNet:一种端到端的深度学习框架,实时监测数字心脏杂音
使用传统和深度可分离卷积网络开发了一种新型的端对端实时心脏杂音检测方法,通过连续小波变换从心音图数据中提取有意义的特征,并在有限资源下实现了实时准确的心脏杂音检测。
- 基于梯度提升的轻量级连通性检测
一种轻量级语篇连接词检测系统,使用基于梯度提升训练的简单、低复杂度特征,避免了依赖深度神经网络的计算需求;考虑到其简洁性,该方法在 CPU 上即可取得竞争性结果,同时在两种不相关的语言之间表现稳定,这表明了该系统在多语言场景中的鲁棒性;此模 - 少即是多:有限资源下的视网膜疾病识别的集成学习
本文介绍了一种新的合奏学习机制,旨在识别受限资源(例如数据、计算)下的视网膜疾病,该机制利用了多个预训练模型的见解,有助于将它们的知识转移到视网膜光学相干断层扫描图像中,提供了一种在处理受限标记数据的情况下建立强大模型的方法,并消除了从头开 - 一种基于增强式强化学习的量子系统控制方法
提出了一种基于增强强化学习(QSC-ERL)的量子系统控制方法,使用增强神经网络将强化学习中的状态和动作映射到量子系统中的量子状态和控制操作,在有限资源的条件下能够实现接近 1 的保真度的量子系统学习控制,并且在量子状态演化中所需的周期较少 - 资源约束下的相关过程在线建模与监控
基于有限资源监控依赖进程的人群是异常事件检测的关键。提出了一种新的在线协作学习方法,通过理论分析和实验证明了该方法的效率。
- Phoenix:通过语言民主化 ChatGPT
本研究介绍了我们努力使 ChatGPT 在语言上更加民主化的努力。我们发布了一个大型语言模型 “Phoenix”,其性能在开源英语和中文模型中表现出竞争力,在具有有限资源的语言方面表现出色(涵盖拉丁语和非拉丁语言)。我们相信这项工作将有助于 - 使用单个 GPU 进行大规模语言模型的高吞吐量生成推断
本文旨在研究如何利用有限的 GPU 资源进行高吞吐量的大语言模型推理,通过提出一种高吞吐量生成引擎 FlexGen,结合线性规划优化器并压缩权重和注意力缓存,成功实现在仅一个 16GB GPU 上运行 OPT-175B,并取得了较高的推理吞 - 自信干预:业务流程的符合规范处方监测
该研究提出了一种利用可信度预测方法来增强运行时介入决策的新方法,实证结果表明,这种方法在资源受限条件下可以提高迎合预测值的介入策略的效益。
- EMNLPVarMAE: 可变分蒸馏自编码器的预训练,用于领域自适应语言理解
本文提出了一种基于 Transformer 的语言模型 ——VarMAE,通过上下文不确定性学习模块,将限定的语料库转化为平滑的潜在分布,从而为特定领域提供多样性和良好形式的上下文表示,实验证明 VarMAE 在科学和金融领域的 NLU 任 - 跨语言问答作为冰岛语单语开放式问答的基础
该研究提出了一种数据节约的方法,通过有限的语言资源和机器翻译的数据以及双语语言模型,针对英语以外的其他语言,构建了开放领域跨语言 QA 系统,并使用冰岛语对该系统进行了测试。
- 长期公平性的成就与脆弱性
本文提供了动态策略,用于在多个时期中在社区之间重新分配有限资源以最大限度地实现公平性,并演示了其在撒哈拉以南国家的医疗保健和教育补贴设计中的可行性。研究表明,在考虑其他因素的情况下进行的妥协可能会促进社会结果的不平等。
- IJCAITinyLight: 面向极限资源设备的自适应交通信号控制
本文提出的 TinyLight,是一个为了极度有限的设备设计的基于深度加 强学习的自适应交通信号控制模型,使用熵最小化目标函数自动减少超图中的边缘,大大降低资源消耗。
- ECCV受限资源下的对比视觉 - 语言预训练
本文提出了一种可在有限资源下进行双编码器多模态表示对齐的新方法,并证明该算法在大规模数据上的有效性。
- AAAI使用约束动作空间强化学习解决在线威胁筛查游戏
本研究提出了一种旅客安全检查的在线威胁筛查模型,其中检查策略是当旅客到达时自适应确定的,同时满足不检查威胁的可接受风险硬性约束,解决了传统模型中固定时间窗口的限制,并采用基于线性不等式约束的强化学习算法,有效平衡了较少的安检资源和威胁较高的 - NIPS模拟指导的迭代剪枝网络压缩方法
本研究提出了利用网络压缩的方法来解决深度学习模型在资源有限的系统中的应用难题,并利用迭代剪枝技术使压缩后的网络更加高效和精确。实验证明该方法在与现有方法进行比较时在相同剪枝等级下表现更佳。
- 快速视觉惯性导航中的注意力和预测
通过限制所分配的资源,利用贪婪算法选择最相关的视觉线索,实现了对飞行器实时机动的准确视觉惯性导航。