- 线性张量变换的分解
本研究论文旨在开发一种能够将张量表示为有限数量低秩张量之和的精确张量分解的数学框架,通过解决三个不同的问题来导出:i)非负自伴随张量算子的分解;ii)线性张量变换的分解;iii)一般张量的分解。
- Bregman 图神经网络
本文提出了一种灵感来自 Bregman 距离概念的 GNNs 的新型双层优化框架,通过引入类似于 “跳跃连接” 的机制,有效地缓解了过度平滑问题,并证明了该方法在同质性和异质性图中优于原始 GNNs。实验证明,即使层数较高,Bregman - MM基于多智能体深度强化学习的 IAB 网络联合功率与子信道分配
开发了一个基于多智能体深度强化学习框架的集成接入和回传网络的联合优化方法,该方法通过 SAPA (Subchannel Allocation and Power Allocation) 问题的深度 Q 学习网络和随机方案的基线比较,展示了有 - 无过多实证风险的领域泛化
通过最小化约束条件下的惩罚,而不是与经验风险同时最小化,我们提出了一种解决域泛化领域中过度风险的方法,并通过将我们的方法应用于文献中的三种方法来证明其有效性。
- 剪枝与否:一种基于混沌因果性的原则性稠密神经网络剪枝方法
通过引入混乱学习(李亚普诺夫指数)以及利用因果关系来识别造成错误分类的因果权重,我们将网络修剪问题公式化为一个最小化错误分类的优化问题。这样修剪后的网络保持原有性能并保留特征解释能力。
- 利用替代特征选择找到最佳的多样特征集
特征选择是一种流行的方法,可以获得小型、可解释且高度准确的预测模型。本文介绍了一种名为 “替代特征选择” 的方法,并将其形式化为一个优化问题。我们定义了替代特征集合的约束条件,并允许用户控制替代特征的数量和差异性。进一步分析了该优化问题的复 - MaxMin-L2-SVC-NCH:一种训练支持向量分类器并选择模型参数的新方法
本文提出了一种新的支持向量机分类器模型参数选择方法 —— 最小最大 L2-SVC-NCH,并采用基于梯度的算法来解决该方法中的优化问题,与传统的参数选择模型相比,该方法在减少模型训练数量的同时保持了测试准确度。
- 通过动作空间分组实现样本和计算高效的强化学习
本文提出了一种解决高维情况下强化学习中的状态和行动指数级增长问题的方法:通过学习具有动作上相似的马尔可夫决策过程的内在结构,以适当平衡性能退化与样本 / 计算复杂度之间的关系,并提出了一种基于线性分解模型的分组策略以最小化总体性能损失。
- 我看到了死人:图像文本模型的灰盒对抗攻击
本文提出了一种针对图像到文本模型的灰盒对抗攻击方法,并通过实验验证了其有效性。
- 拉格朗日对偶方法评估支持向量机的鲁棒性
提出了一种方法,通过解决拉格朗日对偶问题来形式化支持向量机(SVM)的对抗鲁棒性评估,并在 MNIST 和 Fashion-MNIST 数据集上评估了具有线性和非线性内核的 SVM 的对抗鲁棒性,结果表明该方法的可证明鲁棒性比最先进技术要好 - 超模秩:集函数分解与优化
介绍了一个新的概念:在格子上定义函数的超模秩,是把函数分解为超模函数之和所需的最小项数;并且通过对不同偏序关系下定义超模和的方式,描述了具有固定超模秩的函数,以及类似地定义亚模秩;使用亚模分解来优化集合函数用于解决单调集合函数最大化和集合函 - 约束型近端策略优化
本文提出了一种名为 CPPO 的新型一阶可行方法,将受限强化学习问题视为概率推理问题。通过计算 E 步骤中的最优策略分布,并对当前策略进行一阶更新以调整至 E 步骤中获得的最优策略,解决了受限强化学习方法中二阶优化或原始 - 对偶框架的复杂 - 分布式环境下深度学习通用性能模型
本文提出一种针对分布式环境下深度学习应用程序的性能建模方法,使用正则化和差分进化算法解决全局优化问题,可用于任何分布式深度神经网络,为性能和可扩展性提供有帮助的因素解释和准确性预测。
- 基于决策的迭代脆弱水印技术用于模型完整性验证
提出一种迭代决策型脆弱水印算法以检测和防止基础模型由于上传到云端或从本地转移时易受攻击者篡改的风险,该算法通过将正常训练样本转换为对模型更敏感的脆弱样本进行验证,且通过小振幅多次迭代使其在参数变化等方面更具鲁棒性,同时该方法在多个模型和数据 - 通过对偶形式的非负低秩张量完备性来完成图像和视频
本研究考虑在张量完成问题中学习非负低秩张量,并使用对偶理论提出了一种新颖的分解方法,分解将非负约束与低秩约束解耦。所得问题是流形上的优化问题,并提出了 Riemannian 共轭梯度的变种来解决它。实验结果表明,所提出的方法优于许多最先进的 - 利用稀疏和隐形触发器的后门攻击
本文研究 DNN 后门攻击的触发模式,发现现有攻击可视或不稀疏,且不能简单组合以设计有效的稀疏和不可见后门攻击。因此,我们提出了一种有效方法来解决这个问题,称为 SIBA,将触发生成视为稀疏和不可见约束下的双层优化问题,并对基准数据集进行了 - 反事实解释的多样性实现:综述和讨论
本文综述了可解释人工智能(XAI)领域中的对抗事实例,这些例子通过指示对实例进行的修改来解释训练决策模型的预测,以改变其相关预测。同时,本文探讨了可解释人工智能中多元对抗事实例的概念定义,讨论了它们的基本原理以及它们依赖的用户需求的假设,并 - 无需相机的光谱灵敏度估计
本文提出了一种使用已公开的高质量校准数据构建特定于相机的方程组的方法,并使用自动编码器限制其解决方案的框架,以实现不需要任何硬件或实际接触相机本身的光谱灵敏度估计,并以 Adobe DNG Converter 提供的预测灵敏度为 1000 - 利用网络视觉资源增强教科书以促进学习
本文研究了使用视觉 - 语言模型自动从网络中获取图片来增强教科书的有效性,将该任务作为一种新的优化问题。经过众包评估验证了该方法的可行性,并发布了相应的数据集以促进更多的研究。
- 通过弥合伪标签中的训练测试差距来提高弱监督的时间动作定位
该研究提出了一种有效的管道来学习更好的伪标签,其中含有高斯加权融合模块,伪标签作为一个在约束条件下的优化问题,以及 Delta 伪标签的概念,实现了超出现有方法的优越表现。