positive transfer | BriefGPT

关键词positive transfer

搜索结果 - 7

图基础模型
图基础模型（GFM）是图领域中一个新兴的研究课题，旨在发展一种能够概括不同图和任务的图模型。我们提出了一个新颖的视角 ——“图词汇表”，通过在图中编码基本可转移单元的不变性来建立图词汇表，从而解决在构建 GFM 中遇到的跨结构模式图之间正向
PDF5 months ago
ViNT: 视觉导航的基础模型
本文介绍了使用 ViNT 作为基础模型来解决基于视觉的机器人导航问题，并通过灵活的 Transformer 架构提高了 ViNT 在不同任务中的适应性和迁移性能，同时允许其与由 GPS 路径或路线指令等嵌入式任务模式进行编码的目标编码器进行
PDFa year ago
ICLR构建一个用于可扩展连续学习的策略子空间
本文介绍了一种基于 Continual Subspace of Policies 的自适应增量学习方法，使得机器人能够不断学习适应一系列任务，避免过多的模型大小或随着任务数量的增加导致性能下降的问题。实验表明该方法有效，没有出现遗忘现象，并
PDF2 years ago
EMNLP超级适配器多语言机器翻译
本文介绍了通过使用超适配器，克服多种语言间负面干扰和参数共享问题。研究表明，相比于传统适配器，超适配器具有更少的参数数量和更好的性能表现，且能够促进跨语言的积极转移。
PDF2 years ago
ACL面向多领域不平衡数据的领域感知对比知识转移
本文研究了多领域不平衡学习（MIL）的情形，提出了一种名为 DCMI 的领域感知对比知识传递方法来鼓励正向传递相似领域间的共享领域知识并最小化来自不同领域的负向传递。在三个不同的数据集上评估了 DCMI 的性能，展示了不同的 MIL 方案中
PDF2 years ago
当随机标签训练神经网络时，神经网络学习到了什么？
本文研究了使用纯随机标签培训的自然图像数据的深度神经网络 (DNNs)，通过分析卷积和全连接网络的主成分与数据的对齐作用，论证了在此设置中发生了什么。研究人员还研究了预先经过随机标记的图像数据进行预训练的神经网络以及随机和真实标签上进行微调
PDF4 years ago
IJCAI自适应加权对抗领域适应
提出了一种自适应的、基于条件分布的加权对抗领域适应方法，将三元损失与对抗损失结合应用于度量学习，以保证类别级别的对齐；实验结果表明，该方法在标准领域适应数据集上优于现有方法。
PDF4 years ago