- InfoGCN++: 基于骨骼的在线人体动作识别的学习表示预测未来
InfoGCN++ 是 InfoGCN 的创新扩展,专门用于在线基于骨骼的动作识别。它通过学习当前和预期未来的动作,基于观察到的动作来管理预测问题,采用神经常微分方程的方法来有效建模隐藏状态的连续演变,在三个基于骨骼的动作识别基准测试中表现 - 审视滥用语言检测中的时间偏见
在线辱骂言语的使用已成为一个日益普遍的问题,对个人和社会造成损害,其影响从心理伤害一直升级到现实暴力甚至死亡。该研究旨在调查在不同语言中的辱骂言语检测中时间偏差的性质和影响,并探索缓解方法。我们评估了不同时间段辱骂数据集上的模型性能。我们的 - SemEval-2023 任务 10 中的 LCT-1: 预训练和多任务学习用于性别歧视检测和分类
这篇论文讲述了如何提高对网络性别歧视检测的可解释性,并对比了单一任务和多任务学习在不同子任务下的表现。
- EMNLP多语境下人机交互式仇恨性言论分类
本研究介绍了一种新的人类参与的基于 BERT 的仇恨言论分类流程,该分类器在针对瑞士的多语种环境下经过训练,使用原始语料库的数据,在德语和法语中超过了当前最佳的 BERT 多语种分类器。研究表明,持续的人类参与分类器维护是确保恶意言论分类的 - 基于随机森林和瞬态合成特征的三相 PWM 整流器故障诊断的数据驱动设计
本文提出了一种基于随机森林的数据驱动在线故障诊断方法,可及时有效地定位三相 PWM 整流器中 IGBT 的断路故障并确保系统安全。
- ICLR在线低秩矩阵补全
本文研究在线低秩矩阵完成问题,提出了一个基于探索 - 利用策略及用户聚类技术的 OCTAL 方法,可以在多项臂赌博机问题的基础上获取 $ O ({m polylog} (M+N) T^{2/3})$ 的遗憾,并在 Rank-1 情况下得到 - 虚假信息和事实核查生态系统的图形模型
该研究提出了描述复杂的虚假信息与事实核查生态系统的图形模型,该模型可用于研究在线虚假信息和事实核查的效果,易于实践者和研究者使用,传统媒体和用户生成内容也在多种语境下涉及。
- CVPR通过帧间关注力实现物体传播的时间稳定视频实例分割
该论文提出了一种通过利用邻帧预测的空间信息并结合时间域中的帧间注意力机制来提高视频实体分割质量的方法,其在 YouTube-VIS 数据集上取得 36.0% 的 mAP,且该方法是完全在线的,不需要使用未来的视频帧。
- EMNLP使用检索示例学习核平滑机器翻译
提出了一种基于核平滑算法的在线神经机器翻译模型自适应方法,称为 KSTER,与现有的在线适应方法相比,即使不重新训练,该方法也能在域适应和多领域机器翻译中实现 1.1 到 1.5 BLEU 分数的提高。
- ACL从网络评论的毒性到美国新闻的不文明:谨慎行事
通过对美国新闻的礼貌性手动标注的语料库,测试 Jigsaw Perspective API 是否能够检测到不礼貌的程度,结果表明,Perspective 等模型无法很好地分析新闻中的不礼貌性,需要开发去除新闻中经常提到的词之间的虚假相关性的 - CVPRDeepVideoMVS:基于重复时空融合的多视点视频立体匹配
该论文提出了一种在线多视角深度预测方法,使用 ConvLSTM cell 实现对过去一定量信息的压缩,并考虑了时间步之间的视点变化,通过对先前的深度预测进行位移实现细胞的隐藏态的传播。该方法在实时性能的基础上带来了显著的深度预测的提高,并在 - AAAI基于随机累积约束的在线 DR 子模最大化
本研究考虑了在线连续 DR-submodular 最大化问题,采用了随机线性长期约束,并提出了在线 Lagrangian Frank-Wolfe(OLFW)算法来解决这类问题,得到了期望和高概率下的次线性后悔上限和次线性约束违规上限。
- ACL估计谣言验证模型的预测不确定性
本文研究如何将模型和数据的不确定性估计融入自然语言处理模型中,用以辨识在线谣言,我们提出了两种基于不确定性的算法,并证明可以优先处理容易出错的实例进行人工事实核查。同时,我们还展示了如何使用不确定性估计来解读谣言传播中的模型表现。
- MM在线实时物体跟踪算法及其极小矩阵实现
本研究旨在通过基于共享内存多核的吞吐量并行化技术,加速在线实时目标跟踪应用程序的运行。
- 在线圣战主义仇恨言论的自动检测
我们开发了一个系统,可以使用自然语言处理和机器学习技术自动检测在线圣战恨言,准确度达到 80% 以上。该系统基于 2014 年 10 月至 2016 年 12 月收集的 45000 条互联网上的 Twitter 信息进行训练,并对语料库中的 - 可证明的动态鲁棒主成分分析或鲁棒子空间追踪
提出了一种名为 simple-ReProCS 的新算法,它是基于递归投影压缩感知(ReProCS)框架的,用于动态 RPCA 问题中的离群值检测和跟踪,并能够在弱化标准 RPCA 假设、慢潜空间变化和适当假设离群值大小的条件下提供第一个完整 - WWW惯例之间的竞争和选择
本文研究了在线领域中约定相互竞争的影响力,涵盖了技术术语、政治措辞和社区行话等方面。通过对在线数据进行详细分析,发现个人之间的争论对约定的选择起关键作用,并提出了关于不同约定的最终成功的预测。
- 分析在线社交媒体中的仇恨目标
本文是一篇关于社交媒体上仇恨言论的系统性量化研究,使用了 Whisper 和 Twitter 两个社交媒体平台,采用一种新的方法来识别和分析仇恨言论的目标,旨在为防范和识别社交媒体上的仇恨言论提供方向。
- 基于 CP 分解的递归最小二乘在线低秩张量子空间跟踪算法
提出了一种基于 CP 分解和递归最小二乘法的在线张量子空间跟踪算法 OLSTEC。数值评估表明,与现有的在线算法相比,OLSTEC 算法在每次迭代中具有更快的收敛速度。
- KDD大数据可伸缩准确的在线特征选择
本文介绍了一个在线高度可扩展的特征选择算法 - SAOLA,它使用新颖的成对比较技术,在线维护一个简便的模型。并提出了一个扩展的 SAOLA 算法,即在线群组特征选择算法,能够同时稀疏地维护一组特征组合和单个特征。实验证明,SAOLA 和群