- 超几何基准测试揭示了图神经网络性能与网络拓扑特征的关系
我们介绍了一个用于图机器学习的全面基准测试框架,关注 GNN 在各种网络结构上的性能,结果强调了模型性能依赖于网络结构和节点特征之间的相互作用,并为模型选择提供了见解。
- RGB 引导的 ToF 成像系统:基于深度学习方法的综述
本文全面回顾了与 RGB 引导的 ToF 图像相关的工作,包括网络结构、学习策略、评估指标、基准数据集和目标函数,并在广泛使用的基准数据集上对最先进的方法进行定量比较。最后,我们讨论了未来的趋势和进一步研究中的实际应用挑战。
- IJCAI通过选择性交互和长期经验增强多智能体强化学习中的合作
基于多智能体强化学习的计算框架通过模拟囚徒困境游戏中的长期经验使智能体能够选择困境策略和互动邻居,并发现长期经验使智能体能够识别非合作邻居并偏好与合作邻居互动,进而导致具有相似策略的智能体聚集,增加网络互惠性和加强群体合作。
- 网络拓扑对分布式联邦学习性能的影响
去中心化学习以网络结构、学习效果、中心性指标和知识传播为重点,通过研究三种网络拓扑和六种数据分布方法,发现全局中心性指标与学习效果相关,而局部聚类性影响较小;同时揭示了从外围到中心节点的知识转移的挑战,以及中心节点对知识传播的拉力效应;探讨 - 多 LLM 之间的网络形成与动态
我们的研究分析了标准网络结构和真实世界网络的行为,以确定多个大型语言模型在人类社交动态中是否与人类社交动态一致。我们探讨了各种社交网络原则,包括微观层面的概念(如优先连接、三元闭合和同质性),以及宏观层面的概念,如社群结构和小世界现象。我们 - 利用大型语言模型在社交媒体中检测影响活动
社交媒体影响力竞选对公共话语和民主构成重大挑战,传统检测方法因社交媒体的复杂性和动态性而力不从心。本文提出了一种新颖的检测方法,利用大型语言模型(LLMs)结合用户元数据和网络结构。通过将这些元素转化为文本格式,我们的方法能够有效处理多语言 - 混合监督双搜索:利用自动学习实现无损多曝光图像融合
本文提出了一种名为 HSDS-MEF 的用于多曝光图像融合(MEF)的双搜索混合监督的方法,通过引入双重优化搜索方案来自动设计网络结构和损失函数,实现了比竞争方案更好的表现,在一般和无参考场景中,视觉信息保真度(VIF)分别提高了 10.6 - MM分离与定位:重新思考文本的文本视觉问答
TextVQA 问题解答中,我们提出了一种名为 Separate and Locate (SaL) 的新方法,该方法通过探索文本的上下文线索和设计空间位置嵌入来构建 OCR 文本之间的空间关系,从而在 TextVQA 和 ST-VQA 数据 - 通过神经结构搜索实现全专业化探测器 (FSD)
本文提出和研究了一个完全自动化的流程,用于设计一个全专业化探测器(FSD),其中主要包括通过探索理想的网络结构和任务特定的头部所构建的神经架构搜索模型。
- 利用强化学习进行前瞻性经济调度评估
本文提出了一种基于强化学习的先行经济调度方案的评估方法,通过采用操作场景来评估强化学习代理的性能表现,使用多种性能度量指标来评估其经济效益和安全性,并通过修改的 IEEE 30 总线系统进行仿真和对比实验,结果表明该方法适应不同环境的表现良 - 优化多层贝叶斯神经网络用于裂变产额评估
研究表明优化多层贝叶斯神经网络结构,对于核裂变数据的评估具有很大的潜力,而当前双层隐藏层网络的表现最佳,这项研究对于精确评估方法的发展是必要的。
- CVPRLSM: 低层次视觉学习子空间最小化
本文从新的角度研究低层视觉任务中的能量最小化问题,以可学习的子空间约束取代启发式正则化项,并保留数据项以利用任务的第一原理的领域知识。通过 LSM 框架,可以统一多个低层视觉任务的网络结构和参数,使用完全共享的参数同时训练单个网络,甚至将训 - CVPR图像修复的多级编码器 - 解码器架构
本研究提出了一种基于编解码器网络的多层扩展框架,探究了不同网络结构对图像修复任务的影响,并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。
- 学会推理:端到端模块化网络用于视觉问答
本研究提出了一种新的基于神经网络的问题回答方法,使用 End-to-End Module Networks 技术,学习直接预测特定问题网络图层,该方法相对于现有最先进的注意力方法实现了近 50%的误差减少,特别针对 CLEVR 数据集。
- IJCAI教授计算机自然语言
本文探讨了计算机与程序员所涉及的类似语言应用程序所涉及的模式,并旨在调整我们的问题以更好地说明上下文、自我意识和具体化。
- KDD结构多样性与同质性:跨越百个大网络的研究
研究网络的组织原则,通过对 120 个大型网络的分析,发现邻居的结构多样性对于联系是否存在的影响在不同的网络之间存在巨大的差异,基于多样性生成了常见邻域签名(CNS),通过对大量网络的应用,发现了传统方法无法发现的独特网络家族,指出了在设计 - ICML估计扩散网络结构:恢复条件、样本复杂度和软阈值算法
本文使用 l1 正则化最大似然框架研究了一般连续时间扩散模型的网络结构推断问题。我们证明了只要级联采样过程满足自然的不相干条件,我们的框架可以在观察到 O (d3logN) 个级联的情况下高概率地恢复正确的网络结构。此外,我们开发了一个简单 - 关于网络结构的贝叶斯方法
本文介绍了一种基于贝叶斯模型选择方法的新算法,通过在网络变量之间建立固定顺序的基础上逼近特征的贝叶斯后验概率,并使用马尔可夫蒙特卡罗方法,使得顺序空间更加平滑,对与其它方法进行了比较实验。