- 眼见为实:面向机械解释性的脑启发式模块化训练
本文介绍了一种类脑的模块化训练方法,称为 BIMT,可以使神经网络更具有模块化和可解释性,能够应用于多个任务,如符号公式,决策边界和算法数据集的组合结构,可以通过裸眼直接看到模块,以补充当前机械可解释性策略。
- CoRL: 以系统集成为中心的环境创建和管理
此篇论文介绍了一种名为 CoRL 的强化学习环境库,它利用模块化、可组合和超级可配置的设计思想,允许对观测、奖励和终止条件进行细粒度的控制,并可快速实现多个模拟环境的集成,从而实现了代理的快速实现和模拟场景从低保真度向高保真度迁移的能力。
- 动态社交网络中的基于模块化方法的社群跟踪
本论文提出了一种基于模块性的策略来有效检测和跟踪动态社区,在合成网络和 Twitter 网络中的实验结果表明该框架优于其他最先进的方法,并且它为不同的社交网络提供了一个有价值的工具,来理解社区在动态社交网络中的演化。
- Hawk:一款工业级多标签文档分类器
论文描述了经典的多标签文档分类的不足之处,提出了一种解决方案:通过基于句子级别嵌入的神经网络架构,实现能够处理可变长度文本和杂乱文档,具有模块化、可视化、操作不平衡数据和可扩展性等特点,并通过基准测试数据集 Web of Science、B - 神经关注电路
本论文介绍了一种名为神经注意力电路(NACs)的神经网络模型,它是一种通用但模块化的网络体系结构,可同时学习神经模块的参数化和稀疏连接,其在不同数据模态下具有优秀的性能表现,并已在不同领域展示出模块划分的表现。
- 用于模拟四足机器人的分层式去中心化深度强化学习架构
本文探讨了分散式和分层式控制对于机器人运动控制的优劣,并提出一种新的架构作为解决方案,实验表明分层式并行控制更能够支持学习、节能、能适应未知环境并解决复杂目标任务。此外,本文还强调了分层结构中模块化设计的重要性。
- ACL神经网络概念的单元测试
本研究提出了关于符号概念的理论,并使用一个简单的视觉概念学习任务来评估多个现代神经结构与该理论的一致程度,发现这些模型可以成功通过测验,但在因果关系方面仍然存在重要的问题。
- 功能组合结构的终身机器学习
这篇论文提出了一种通用的学习框架,用于终身学习功能本质组合结构,分别研究了有监督学习和强化学习的应用,同时拓展到了非静态环境下。在评估实验中,展示了这种框架的优越性,取得了较好的效果。
- 社交影响最大化的社区感知框架
提出了一个基于社群感知的分治框架来解决影响力最大化问题,在学习社交网络的内在社群结构、为每个社区解决影响力最大化问题以及使用渐进式费用分配方案来选择最终的种子节点过程中,实现了候选解的生成。实验结果表明,相比标准方法,该框架在运行时间方面表 - ICML通过模块化和物理归纳偏差学习具有泛化动力学的 ModLaNets
提出了一种具有模块化和物理归纳偏差的结构神经网络框架,即 Modular Lagrangian Network (ModLaNet),它利用模块化来建模每个元素的能量,并通过拉格朗日力学构建目标动力学系统,从而可以从简单系统的动力学中学习并 - ICLRWatts: 开放式学习基础设施
本文介绍了一种名为 Watts 的框架,旨在实现、比较和重组开放式学习算法(OEL)。该框架基于模块化和算法灵活性,以便于研究和直接比较不同方法。通过分析三种 OEL 算法的实现,介绍了框架的模块,并希望 Watts 框架能够实现基准测试并 - 寻求知识的语言模型:对话和提示补全的模块化搜索与生成
本研究采用搜索引擎、知识生成,以及生成最终回复的单一语言模型 SeeKeR,来取代先前的隐式检索式方法,实现了开放域知识驱动的对话,以及在话题提示补全方面的表现优于 GPT2 和 GPT3。
- 机器人控制系统中的行为树
本文将给出控制论角度下,关于机器人中行为树的研究领域。行为树的主要思想是利用模块化、层次结构和反馈控制等工具来处理机器人控制系统的复杂性,本文描述了这些概念在理论分析、实际设计及扩展方面的运用,以及与控制论和机器人学中其他思想的联合应用。
- 具算术的数据感知动态系统的线性时间验证
本文研究了数据感知动态系统的模型和验证,并将其扩展为线性算术。我们提出了 “有限总结” 的新语义属性,展示了有限总结对于 DDS 的线性时间、有限跟踪性质的证明是可判定的,并且展现了有限总结在形式方法和数据库理论中的具体应用。此外,我们展示 - 通过模块化和增强改进系统化的泛化能力
本研究研究了通过模块化和数据增量方法对神经网络在基于自然语言语境的学习中实现系统化综合的影响,并发现具有认知过程至少两个模块的神经网络比非模块基线更容易通过扩充数据实现系统化综合。
- ECCV使用图模块性理解 DNN 的动态
本篇论文探讨深度神经网络的特征表示,并通过动态图的社区演化来量化并优化网络架构,探索神经网络架构的冗余层并提出层修剪方案。
- 局部模块组合的持续学习
通过探索局部模块组合(LMC)的方法,使用结构性的学习和模块选择,LMC 可以为连续学习提供较好的解决方案。
- 神经网络是否具有模块化特性?通过可微分的权重掩码检查功能模块化
本文提出了一种基于学习二进制权重掩码的方法来识别神经网络中负责特定功能的权重和子网,探讨了神经网络中模块化的新趋势以及相关问题如系统化语言任务的普遍性不足。
- ICML透過模塊關注學習如何在循環神經網絡中結合自上而下和自下而上的信號
在深层递归神经网络中使用注意力机制和模块化架构来动态结合自底向上和自顶向下的信号,以实现对语言和感知任务的鲁棒性改进。
- Acme:分布式强化学习研究框架
介绍了一种名为 Acme 的深度强化学习框架,该框架旨在构建简单、模块化的组件,以便在不同规模的执行中使用。其主要目标是为算法开发提供一个框架,同时也提供了重要或最先进算法的简单参考实现以提升强化学习研究的可重复性和基准。本文描述了 Acm