- 对装袋不足进行复制分析
通过对一种用于从不平衡数据中训练分类器的流行集成学习方法的尖锐渐近性进行推导,本文比较了与几种其他标准方法在从二元混合数据中训练线性分类器的情况下学习不平衡数据的性能。从结果中发现,增加多数类别的大小可以提高 UB 的性能,特别是当少数类别 - 卷积神经网络用于雷达微多普勒特征处理的输入格式
对于处理雷达微多普勒迹象,研究中分析了卷积神经网络的相位信息的实用性以及多普勒 - 时间输入的最佳格式。研究发现,卷积神经网络分类器的性能受到输入表示类型的影响,即使在具有等效信息的不同格式之间也是如此。此外,研究证明了多普勒 - 时间表示 - CVPR冻结特征增强用于少样本图像分类
应用数据增强技术在冻结特征空间中可以显著提高少样本图像分类的性能。
- 通过条件高斯分布生成多中心分类器
基于深度特征的高斯混合分布,我们提出了一种新颖的多中心分类器,能够更有效地捕捉图像分类中的类内局部结构,而且不需要额外的参数或计算开销。
- 使用迭代求和进行时间序列分类的特征提取
基于迭代和的特征提取和线性分类器的时间序列分类流水线,精度和速度在 UCR 存档上与最先进的方法竞争,并且对时间扭曲具有不变性。
- 具备理论保证的强健对比学习
通过开发严密的理论来剖析和确定无监督损失中能够帮助改善鲁棒监督损失的成分,并进行适当实验证实我们的发现。
- P-ROCKET:剪枝随机卷积核用于时间序列分类
近年来,ROCKET 和 MINIROCKET 两个时间序列分类模型以其低训练成本和尖端的准确性吸引了广泛关注。本文提出了一种名为 P-ROCKET 的核心算法,它从特征选择的角度开始,通过在连续分类层中消除相关联的连接来剪枝,以实现快速有 - ICCV通过 Moment Probing 调整预训练模型
我们提出了一种新的 Moment Probing (MP) 方法,通过特征分布上的线性分类器,利用特征中更丰富的统计信息来进一步探索 LP 的潜力,并通过多头卷积交叉协方差(MHC^3)以高效有效的方式计算二阶矩。通过在十个基准测试上进行广 - 高斯混合下的长尾理论
我们提出了一个简单的高斯混合模型用于数据生成,符合 Feldman 的长尾理论(2020)。我们证明了在线性分类器中,在所提出的模型中无法将泛化误差降低到一定水平以下,而具有记忆能力的非线性分类器可以做到。这证实了对于长尾分布,必须考虑到罕 - 研究记忆驱动方法在连续学习中的泛化性能
本研究针对 Continual Learning 目的,介绍基于记忆方法存储先前数据分布以避免完全知识覆盖,在传统分布泛化时表现良好,但在控制实验中发现能学习虚假特征和相关性,从而严重影响了越界泛化,主要是出现在线性分类器中。
- AAAI优化 AUC 是否划算?
通过提出一种高效的算法 AUC-opt 来寻找证明最优 AUC 的线性分类器,并且证明问题在一定条件下是 NP 完全的;此算法在实验中证明相较于其他方法有所改善,但在大多数测试数据中表现并不如标准分类器。
- ChatGraph:将 ChatGPT 知识转化为图形以实现可解释文本分类
本研究提出了一种新的框架,利用 ChatGPT 进行文本分类等特定任务,同时提高其解释性。该框架通过知识图谱抽取任务从原始数据中提取精细和结构化的知识,并将其转化为图形,进而用于训练可解释的线性分类器进行预测。实验结果表明,与直接使用 Ch - 无监督的词语分割利用时间梯度伪标签
提出了一种基于深度自监督特征的无监督词语分割的伪标签策略,通过利用特征嵌入的时间渐变幅度来定义单帧词性的伪标签,并用线性分类器将嵌入映射为伪标签,进而预测出每一帧的词性,试验结果表明该方法在两个数据集上明显优于以前的所有方法。
- FeTrIL: 无模板增量学习特征翻译
介绍一种将固定特征提取器和伪特征生成器相结合的方法,以改善稳定性和可塑性之间的平衡,并在三个具有挑战性的数据集上表现出优异的性能。
- ICLR具有偏差自适应分类器的不平衡半监督学习
本文提出了一种基于偏差自适应分类器的伪标签半监督学习方法,通过引入一个偏差吸引器来自动补偿类别不平衡带来的偏差,从而提高了伪标签方法在类别不平衡情况下的性能。实验证明,该方法优于现有的基准方法。
- AAAI重新审视分类器:将视觉语言模型应用于视频识别
该研究重点研究了通过使用不同于传统方法的先前训练模型知识来改进视频分类的方法,简单而有效的调整模式在各种视频识别场景中达到了最先进的表现。
- CVPR简明至上:基于 CLIP 特征的线性层作为强大的 VizWiz 模型
该研究提出了一种基于 CLIP 的体系结构,通过将图像和文本编码器的拼接特征上应用简单的线性分类器,并在训练期间添加一项辅助损失,以操作答案类型,并将其作为答案类选择的注意力门,成功解决了多模态任务体系结构高复杂度、难以训练、计算资源要求高 - 预训练语言模型隐藏状态操纵在分类任务中的参数高效调整
本篇研究提出一种简单的优化方法,只引入三个可训练向量,并将所有层的隐藏状态使用这些向量进行整合,之后将整合后的隐藏状态输入到一个任务特定的线性分类器中进行分类,通过验证原始的隐藏状态确实包含分类任务的有用信息,证明了该优化方案与 P-tun - 司法援助用句子嵌入的分类
本文旨在解决 AILA2021(法律协助人工智能)中的任务之一,在使用 BERT 获取的句子嵌入和线性分类器的结合下,将文档在语义上分割为 7 个预定义标签或 “修辞角色”,通过对实验加权分析,表明赋予最高频率类别更大的权重可获得更好的结果 - 一种概率硬注意模型,用于顺序观察场景
本文阐述了一种利用 Bayesian Optimal Experiment Design 来选择信息区域的视觉 Hard Attention Model。通过合成未观察到的区域的特征来预测信息增益(EIG),并在 EIG 最大的位置上实际观