- CondTSF:时间序列预测数据集简化的一行插件
基于对时间序列预测数据集的理论分析,我们提出了一种针对时间序列预测的数据集精简方法 CondTSF,通过将 CondTSF 插入到先前的数据集精简方法中,减小了使用全数据集和使用合成数据集训练的模型之间的预测差距,从而提高了性能。我们在八个 - 连续学习的两个互补视角:不仅问什么要优化,还要问怎么优化
连续学习中,我们提出应该同时关注优化目标和优化方式,结合重放逼近联合目标和梯度投影优化方法,以减轻稳定性差距、增加学习效率和改善最终学习结果。
- 追求人类标注:无监督学习的新视角
HUME 是一个简单的模型无关框架,用于推断给定数据集的人类标签,无需任何外部监督。通过利用人类标签定义的类别在表示空间上是线性可分的洞察,HUME 指导数据集的所有可能标签的搜索,以发现潜在的人类标签。尽管其简单性,HUME 在多个基准图 - EMNLP通过共同预测提示调整学习纠正噪声标签的细粒度实体类型
为了解决细粒度实体类型任务中的噪声标注问题,引入了 Co-Prediction Prompt Tuning 方法,利用多个预测结果来识别和纠正错误标签,并设计了优化目标以考虑训练过程中的不一致预测,实验结果表明该方法显著提高了各种类型的训练 - 强化学习中的非遍历性:通过遍历性转换提高鲁棒性
通过学习数据转化的算法,我们能够解决传统优化目标导致的鲁棒性不足问题,在强化学习中,该问题可通过学习人工智能在非遍历环境中获得的长期回报来优化个体代理而不是无限数量的轨迹的平均值。
- 探索异常检测的单类分类优化目标
通过优化目标空间内的规范来改进异常检测,研究发现可以使用适当规范的任何空间作为等效替代,无需依赖于训练样本分布假设,提出了一种简单且与数据无关的深度单类分类方法。
- CVPR在在线连续学习中处理跨任务类别歧视
本文提出了一个新的优化目标和基于梯度调整方法的动态训练偏差方法,以解决回放方法在在线连续学习过程中的动态训练偏差问题,并在实验中取得了更好的结果,以解决跨任务类别辨别问题。
- ICML优化引导的图隐式非线性扩散
本文提出了一种新的图卷积方法 Graph Implicit Nonlinear Diffusion (GIND),通过自适应聚合具有非线性扩散的特征来防止过度平滑,并以明确的凸优化目标的最小化表示所学到的表示。实验表明,GIND 在捕获长程 - IJCAI集成多关系图神经网络
本研究提出了一种新的集合多关系图神经网络通过设计集合多关系(EMR)优化目标来同时解决以前多关系 GNN 中扩充和过度参数化的问题,并截取了一个多关系 GNN,以缓解过度平滑和过度参数化问题,并在四个基准数据集上进行的广泛实验表明了所提出的 - ICLR多智能体强化学习中影响长期行为
本文提出了一个基于 farsighted objective 的新优化目标以及一种新的多智能体强化学习方法,实现了优于现有基线结果的长期性能。
- KDD图表示学习中负采样的理解
本文研究图表示学习中的负采样对于优化目标和结果方差的重要性,并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法,MCNS,应用于链接预测、节点分类等任务,并在 19 个实验设置中证明了其优越性。
- 领域自适应语义分割中通过不确定性估计纠正伪标签学习
本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法,通过模型输出语义分割预测和预测的不确定性,利用预测的方差建模估计不确定性,并将其纳入优化目标,从而动态地根据不同的置信度阈值纠正噪声伪标签,显著提高了在三个基准测试集上 - ECCV深度神经网络学习动态的层级条件分析
通过层次化的条件分析,探索了深度神经网络的优化量表,结论表明 BN 可稳定训练,同时通过在最后一个线性层之前增加 BN 层,能够改善深度残差网络的表现。
- POPCORN:部分观察预测约束强化学习
本文提出了一种新的优化目标,以批处理离线策略为特点,即使在某些观测对于规划无关紧要时,该方法也能产生高性能策略和高质量的生成模型,并将其应用于合成样例和一个具有挑战性的医疗决策问题。
- IJCAI用因果影响图建模 AGI 安全框架
本文使用因果影响图模拟和比较了最有前途的 AGI 安全框架,其统一的表示法允许易于比较各种框架和它们的假设。
- 任意风格的快速基于块的风格转移
本文提出了一种基于局部匹配和卷积神经网络的简单优化目标,该目标可以在保持效率的同时,产生艺术风格迁移的高品质结果。同时,本文结合内容结构和风格纹理,利用预训练网络的单层来实现该目标,并且使用 80,000 张自然图像和 80,000 张绘画