- EMNLP无监督机器翻译的多语言视角
提出了一个概率框架,用于多语言神经机器翻译,特别针对无监督翻译。通过使用一个新型的跨语言翻译损失项,自然地利用其他包含辅助平行数据的语言作为源或目标语之一。实验证明,在大多数方向上,我们的方法导致在 WMT'14 英语 - 法语、WMT'1 - 高阶节点依赖性可扩展的深度生成关系模型
提出了一种基于概率框架的深度生成关系模型,通过高阶邻域结构信息建立了能够处理非线性映射的深层网络架构,并使用了 Dirichlet 随机变量结构的新型数据增强方法,使得在实际数据集中的链接预测表现得到了显著的提高。
- 多元未来预测
为了预测智能与健壮的复杂动态环境下未来的多个目标路径,该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量,其中利用动态基于注意力的状态编码器学习编码智能体之间的交互,可被用于车辆轨迹预测。
- 间接观测中的学习
本文提出了一种基于概率框架的弱监督学习方法,通过最大似然原则,利用多种弱监督信号(例如嘈杂标签和粗粒度标签等)进行学习,使用 true target 的一个鉴别性模型来建模间接观察,并利用随机变量最大化似然度来隐式地进行真实目标的估计,该方 - 一种概率性通用交通场景预测框架
本文提出了一种概率框架,能够在任何驾驶场景下联合预测多个交通参与者的连续运动,并能够预测每个交互的持续时间,以提高预测性能和效率。该框架包含两个层次模块:上层模块预测预测车辆的意图,下层模块预测与其交互的场景中其他实体的运动,为自主车辆的决 - 贪婪攻击和 Gumbel 攻击:生成针对离散数据的对抗样本
本研究提出了一种概率框架,用于研究针对离散数据的对抗攻击,并基于此框架导出了基于扰动的 Greedy Attack 和可扩展的基于学习的 Gumbel Attack 方法,探讨了对抗攻击设计中的各种权衡,最终通过对文本分类模型进行实验验证这 - CVPR从纪录片中发现和学习新物体
本文提出一种从纪录片中弱监督地学习对象检测器的方法,通过联合概率框架和训练集挖掘,初步实现了从视听资料中学习对象检测器的目标。
- 具有附加信息的关系数据的深度生成模型
提出一种基于概率框架的深度学习架构,可用于发现重叠社区和关系数据中的链接预测,利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能,通过回归模型将可用的节点属性作为侧面信息,能更好地解释潜在特征,具有高效且可扩展的优点。
- 基于概率模型的有区分性 k-shot 学习
本文介绍了一种概率框架来进行 k-shot 图像分类。该方法将从初始大规模分类任务中学习的表示转移并结合了关于类别的信息,用于建立后验概率模型进行 k-shot 学习,结果表明即使是简单的概率模型也能取得与当前最先进算法相当的识别率,并能够 - 使用点和线的单目视觉里程计
本研究提出了一种结合点和边的视觉里程计算法,利用概率框架同时最小化光度误差和匹配边缘的几何误差来恢复相机位姿,并在纹理稀疏的环境中表现出比现有单目里程表算法更好的性能。在多个公开数据集上,本算法实现了与最先进的单目里程表方法相媲美的性能。
- 深度学习的概率框架
Developed a probabilistic framework for deep learning based on the Deep Rendering Mixture Model (DRMM), which captures v - 移动机器人的深度生成空间模型学习
我们提出了一个新的概率框架,允许移动机器人自主学习跨越多个抽象层次的环境的深度生成模型。
- 概率性显著性估计
本文提出了一种基于概率框架的优化方法来解决显著性目标检测的问题,同时还与图割、扩散映射和一类分类方法相结合,实现了对局部 / 全局对比度和大面积显著性线索的全局最优近似,该方法在包括大约 17k 张图像等多个评价指标的显著目标检测数据集上的 - ACL功能分布语义学
本文提出一种新的基于概率框架、结合形式语义和机器学习的方法,通过将谓词与其所指实体分开,利用贝叶斯推断来对逻辑形式进行推理,在使用受限玻尔兹曼机和前馈神经网络的组合实现这一框架之后,最终证明了该方法的可行性。
- ACLCFO: 基于大规模知识库的条件焦点神经问答
该论文提出了一个基于神经网络的、有条件的问题回答方法,侧重于对可在知识库中用单个事实回答的问题进行解答,此方法在最大的公共数据集上实现了 75.7% 的准确度,比目前最先进的研究成果高出 11.8% 的绝对差距,结果表明它可以有效解决自然语 - 深度学习的概率论理论
通过发展概率性深度学习框架,研究人员解释了为什么深度学习算法能够胜任复杂感知推断任务,并发现了这些算法的成功和不足之处,提供了其改进的原则路径。
- 线性求解器的概率解释
本文提出了一种概率框架,可用于迭代解决具有正定 $B$ 的无约束线性问题 $Bx = b$,旨在用 $B$ 的逆的元素上的高斯后验信念替换现有方法返回的点估计,以估计误差,其中包括基于准 - 牛顿优化算法族的最近的概率解释被扩展,结合共轭梯 - 一种分析概念组合的组合性的概率框架
本文提出了一种新的概率框架,用于评估概念组合的语义是否是组合性的,并提供了将概念组合的语义分类为 “组合性” 或 “非组合性” 的正式方法。