- MM新颖性手写识别
介绍了一种以代理为中心的方法处理手写识别中的新颖性,并描述了一个基线代理,提出了评估协议并进行了实验以推进该方法,结果表明代理为中心的方法是可行的。
- AAAI一种新颖性形式理论的统一框架:框架、样例和讨论
通过团队自身所遇到的不确定性问题,本研究针对 AI 在处理 novelty(新颖性)问题时的困难,提出了第一个统一的框架,并且给出了公式化的定义方法,以适用于多个领域。该框架填补了相关领域的研究空白,并有助于推动该方向的研究进展。
- ACLAREDSUM: 面向文档摘要的自适应冗余感知迭代句子排名
该研究提出了两个自适应模型,分别为 AREDSUM-SEQ 和 AREDSUM-CTX,分别考虑文本中的句子显著性、新颖性和多样性等特征,通过实验验证,AREDSUM-CTX 在 CNN/DailyMail 和 NYT50 数据集上表现优于 - COLINGNYTWIT: 纽约时报中的新词语数据集
本研究介绍 New York Times Word Innovation Types dataset(NYTWIT)数据集,包括超过 2500 个英语新词汇,手动标注其创新类型,希望为语言学家和 NLP 从业者提供新词汇出现的真实环境,并且 - 命名实体识别中的上下文嵌入:一项关于泛化的实证研究
本文通过经验分析,将提到的未知名称根据新奇性和域外评估进行分离,并证明了最新情境嵌入模型在发现前所未见的名称方面特别有益,尤其是在域外评估中。
- IJCAI深度强化学习中的探索目标:奖赏预测误差
该论文提出了一种基于 Q 值函数的深度增强学习方法 QXplore,通过最大化预测外在奖励的值函数的奖励预测误差来解决高维 MDPs 的难解探索任务,该方法相比于基于状态新颖性的方法,在很多任务中表现更好。
- ACL常识挖掘作为知识库完成的方法?对新颖性影响的研究
本文分析了使用知识库补全模型从原始文本中挖掘常识知识的可行性,并将预测的三元组的新颖性作为解释结果的重要因素。我们批判性地分析了挖掘新奇常识知识的困难性,并展示了一种简单的基线方法在预测更多新奇知识方面优于之前的最佳方法。
- KDD评估创意作品的机器学习方法
提出基于回归的学习框架,从创意的关键标准(如新颖、影响力、价值和意外性)的量化角度来评估创意。在电影数据集上进行实验,结果显示:1)创意标准与评论员分数的相关性,2)包含各种创意标准时可以提高电影评分预测的准确性,3)鉴别创意电影。
- 通过深度神经网络生成不同类型的数字
本文提出以基于知识的创造力为基础的新颖性价值概念,通过深度生成自编码器训练和生成数字图像集合来阐述该概念,进而解决人为提供新颖性价值函数的问题。
- POWERPLAY: 持续搜索最简单却无法解决的问题以培养日益通用的问题解决器
本文介绍了一种自动发现并解决问题的新型算法框架 POWERPLAY,该框架借鉴了动物和人类的有趣行为方式,实现了基本创新原则的贪心但实用的应用,无需监督学习,并不断增加问题解决技能的技能库,从而获得更好的创造力。
- 最大熵模型和主观趣味性:二元数据库中平铺的应用
本文介绍了一种关于主观趣味测量的普遍策略,通过将先前的信息作为对数据的不确定性的概率模型的约束来表示其先前信息,从而使之有意义并实用。同时,使用 MaxEnt 模型来衡量主观趣味测量的各种措施。