- 使用数据协作分析的隐私保护推荐系统
建立了一个隐私保护推荐系统的框架,通过对分布式数据集的数据协作分析,改进了分布式数据集的评级预测准确性。
- 单任务持续离线强化学习
本研究提出了一种新的算法,名为基于经验回放的集成离线强化学习,通过引入多个值网络来学习相同的数据集,并通过值网络的离散程度判断策略是否已经学习,以提高单任务离线强化学习网络的性能。
- 数据分区策略对模型泛化性能的影响:形态分割案例研究
本研究在 19 种语言中使用数据,包括 10 种土著或濒危语言,在多样的形态系统(多合一的、融合的和粘着的)和不同的数据可用性下,以不同大小的训练和评估集的组合以及新的测试数据进行大规模实验,结果显示:(1)从随机拆分训练的模型能够取得更高 - 一种综合数据集训练分割模型的综合模型
通过结合多个部分注释数据集,我们提出了一种方法将互补注释合并到一个模型中,实现更好的场景分割和使用多个可用数据集。我们的方法成功地将 6 个类别组合成一个模型,与单独训练在各个类别上的模型集合相比,总体 Dice 分数提高了 4.4%。通过 - 医疗人工智能中的泛化问题:发展可扩展模型的视角
医学人工智能算法的泛化水平可以通过建立一个分层三级评估系统来反映,该系统更好地反映了真实医疗情境的多样性,其中用于重新校准模型的目标领域数据可能可用也可能不可用,并且如果可用的话,可能或可能不会系统地提供参考标签。
- ICML基于扰动数据源的可证明高效离线强化学习
本文研究了使用多个数据集进行离线强化学习的问题,提出了一种考虑样本和数据源不确定性的算法,并在离线马尔科夫博弈和离线鲁棒强化学习方面进行了推广。
- 针对 DETR 的语言感知多个数据集检测预训练
本文提出了一种预训练 DETR 检测器的强大框架,命名为 METR,通过引入预训练语言模型将经典的目标检测器多分类转化为二分类,从而在不需要手动标注标签空间的情况下利用多个数据集联合预训练模型,并通过组合二分匹配策略实现预测。在大量实验中表 - CVPRUni3D: 多数据集三维物体检测的统一基线
该论文研究了如何训练一个来自多个数据集的统一 3D 检测器,提出了一种名为 Uni3D 的方法来解决数据级别和分类学级别的差异,证明了该方法的有效性并对进一步的 3D 泛化研究具有启发意义。
- 多样数据集上的语义分割训练
我们提出了一个新的训练框架,用于解决 Heterogeneous Training of Semantic Segmentation (HTSS) 问题,可以同时训练多个具有不同标签空间和标注类型的数据集,以提高 Semantic Segm - 树形 DNN: 一个深度容器网络
提出了一种名为 TreeDNN 的架构及其训练方法,用于多个数据集的多任务训练,同时减少 ROM 存储要求并提高系统的响应速度。
- 使用 WavText5K 和 CLAP 训练进行音频检索
本文提出了一个新的 Web 音频文本检索框架,使用文本编码器、两个音频编码器和对比学习目标来实现语言和音频内容间的连接,包括多个数据集的使用,取得了相对于 AudioCaps 和 Clotho 在文本 - 音频检索上 2%和 16%的提高, - CVPRDetection Hub: 基于语言嵌入的查询适应统一物体检测数据集
本研究提出一种新的设计(称为 Detection Hub),它是数据集感知并具有类别对齐功能,通过学习一种数据集嵌入来自适应对象查询以及检测头中的卷积核,从而既减轻了对目标检测的数据集不一致性,又提供了一致的指导,以便检测器跨多个数据集学习 - 医学图像分割的全卷积 Transformer
提出了一种基于全卷积 transformer 的医疗图像分割模型,该模型可处理各种数据模态,能够有效地提取输入图像的语义依存关系并捕获其分层全局属性,并在多个数据集上表现优异,相对于同类模型具有参数少的特点。
- AAAI基于进化算法的自动问答框架
本文提出了一种基于创新的进化算法的自动问答框架,适用于多个数据集,并能自动调整网络架构,从而找到最佳解。在 SQuAD 1.1 和 SQuAD 2.0 数据集上,我们的框架实现了 78.9 EM 和 86.1 F1 以及 69.9 EM 和 - ICCVKoDF:大规模韩国 DeepFake 检测数据集
本文详细描述了构建韩国 DeepFake Detectio Dataset(KoDF)的方法,通过实验表明了 KoDF 与现有 DeepFake 检测数据集之间的差异,强调使用多个数据集进行现实世界的泛化的重要性。
- 简易多数据集检测
本文提出一种简单的方法,使用所有数据集上的标签训练一个统一的多数据集物体检测器,它可以自动整合数据特定输出到一个通用的语义分类体系中,避免了手动分类调和的步骤,且实验表明,该流程可以推广到新的未见数据集,而无需再次针对它们进行微调。
- AAAI利用双变量因果发现集成重叠数据
本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题,算法表现在合成和真实数据上都优于之前的方法。
- 基于多个异构数据集的卷积网络训练,用于街景语义分割
该研究提出了一种具有分层分类器的卷积网络,用于每像素的语义分割,能够在多个异构数据集上进行训练和利用它们的语义层次结构。
- 自然语言处理的可复现性分析:用多个数据集测试意义
该论文提出了一种重复性分析框架,用于对 NLP 任务算法的多个比较进行统计学分析,相对于 NLP 文献中目前未经统计证明的传统做法具有显著的理论优势,并通过多个应用案例展示了其实证价值。
- 利用深度神经网络深入进行面部表情识别
提出了一种深度神经网络构架,可在多个公共面部数据库上进行面部表情识别,并且在精度和训练时间上优于传统卷积神经网络和现有方法。