关键词probabilistic interpretation
搜索结果 - 11
- Patch-MI: 提升基于补丁重建的模型逆向攻击
通过基于 Jigsaw 拼图组装的新概率模型和基于 GAN 的分析,Patch-MI 攻击方法能够成功生成与目标数据库分布相似的图片,甚至在辅助数据库分布不相似的情况下,通过随机变换块的巧妙应用,进一步提升目标分类器的效果,从而在保持统计数 - 增强弱监督分割的高保真伪标签
该论文提出了一种基于图片分类网络和概率解释 CAM 的图像级弱监督语义分割方法来改善先前弱监督下模型的性能,通过提高区域相似性和轮廓质量来增强几乎任何以前的 WSSS 方法,并在 PASCAL VOC 数据集上进行了演示。
- ICML无监督深度隐式粒子图像表示学习
提出一种新的视觉数据表示方法 Deep Latent Particles (DLP),其中用空间 - softmax 和 Chamfer 距离先验驱动学习生成低维潜在颗粒表示,并表明其对多个动态对象构成的场景视频预测等下游任务具有实用性,同 - ICMLTransformer 模型的概率解释
提出 transformers 的注意力子层是 Hopfield 注意力理论中的 log-sum-exp 项的梯度上升步骤,这导致了点的并行扩展,而又被层标准化所抵消的基于指数族的对比学习的概率解释
- 概率两阶段检测
该研究提出了一种概率解释的两阶段物体检测方法,从而建立了一个比两阶段检测器更快更准确的概率两阶段检测器,并通过 C OC O 测试数据验证其性能优越性。
- ICLRSOM-VAE: 时间序列可解释离散表示学习
提出了一种针对高维时间序列数据的离散表征学习框架,通过整合可解释性离散降维和深度生成建模方法,得到在可解释性和聚类性能方面优异的平滑嵌入表征,基于自组织映射算法和马尔科夫模型实现了离散表征的概率化解释和进一步优化,实验结果显示其表现比竞争方 - ICLR基于随机批标准化的不确定性估计
本文提出了对批标准化技术的概率解释,设计了一种概率模型,证明了批标准化可以最大化其较小边界的边际对数似然。基于新的概率模型,我们设计了一种一致性算法,以减少内存和计算成本,并提供了一种可扩展的不确定性估计技术。该方法在 MNIST 和 CI - 双向递归神经网络作为生成模型 - 时间序列中的间隙重建
本文提出两种概率解释双向循环神经网络并应用于高维时间序列数据中的缺失值填充,在文本数据表现比单向推断更加准确,而在音乐数据中则具有可扩展性。
- 个性诊断协同过滤:一种基于混合记忆和模型的方法
该研究介绍并评估了一种基于个人偏好识别的推荐系统方法,即 Personality Diagnosis (PD),它具有传统相似度加权技术的优点,并能提供有意义的概率解释,同时支持价值信息计算。
- 大规模相关聚类优化
本文聚焦于 Correlation Clustering functional,它结合了数据点之间的正面和负面亲和性。文章的贡献包括两个方面,一是提供了该函数的理论分析;二是提出了新的优化算法,能够处理无法使用现有方法解决的大规模问题(>1 - 多角度学习
本文提出了一种新的多视角学习问题,通过匹配实际分布的矩来计算不同视角之间的最优仿射映射,进一步推导出算法的概率解释和样本复杂度界限,并在活动识别任务上进行了大量实验,证明了所提方法提高性能的价值。