- 超越已知聚类:为高效泛化类别发现探索新原型
基于知识学习的通用类发现 (GCD) 旨在根据来自已标记和未标记数据的知识动态地为未标记数据分配标签,然而现有方法主要依赖于聚类算法的性能,并受限于聚类算法的固有局限性。
- AAAI非典型类别增量学习中的细粒度知识选择和恢复
非示例类增量学习是学习新旧任务而不访问过去任何训练数据的目标,本文提出了细粒度知识选择和恢复的新框架,通过自适应平衡可塑性和稳定性,使用任务不可知的机制生成更真实的旧任务原型,减少分类器偏差,实验证明了我们方法的有效性。
- 朝向解释性设计的深度学习算法
提出的 IDEAL 框架通过原型实现了解释性、抵消了解释受到干扰的问题,并且解决了灾难性遗忘的问题,同时,该方法表明 ViT 架构缩小了微调和非微调模型之间的差距,可以在一小部分时间内实现无监督方法对特征空间的目标数据集的迁移学习。
- 可解释的基于原型的图信息瓶颈
在这项研究中,我们提出了一种新颖的解释性图神经网络框架(PGIB),将原型学习与信息瓶颈框架相结合,为模型预测提供关键子图的原型。通过广泛的实验和定性分析,证明了 PGIB 在预测性能和可解释性方面优于最先进的方法。
- 通过一致性分配随机分区的视图进行表示学习
CARP 是一种无监督聚类方法,用于学习视觉特征的表示学习。CARP 通过随机划分原型进行端到端在线学习,使用梯度下降优化新的预训练任务,提高模型的一致性和稳定性,并证明其在多个下游任务上的表现优于其他自监督方法。
- 监督对比损失的神经坍缩几何工程
我们提出了一种修改对比损失函数来调整学习特征嵌入几何结构的方法,通过使用原型在每个批次中引导学习嵌入和原型的几何一致性,并在深度神经网络上基于基准视觉数据集进行了一系列实验证实。
- KDDShapeDBA: 利用 ShapeDTW 生成有效的时间序列原型
我们研究了一种新的方法来生成时间序列数据的逼真和有用的样本和原型,该方法利用了一种新形式的时间序列平均值,即 ShapeDTW Barycentric Average,并通过时间序列聚类评估了其效果。
- 原型增强的超图学习用于异构信息网络
本研究介绍了一种新的原型增强的超图学习方法,用于异构信息网络中的节点分类,通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息,方法利用原型的力量提升超图学习过程的稳健性,并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构 - 使用大型语言模型复现网络研究结果的探索
利用大型语言模型 (如 ChatGPT) 复现网络研究结果在学术界和工业界都很重要,本文通过小规模实验证明了其可行性,并探讨了未来研究的开放性问题。
- 基于原型投影的人物再识别思考
利用分类器将图像特征投影为类别原型,并将这些原型用作更有区分性的特征来进行人物 Re-ID。提出了一种新的基线模型 ProNet,在推理阶段保留分类器功能,通过分类器对特征进行投影从而学习类别原型,实验证明 ProNet 的性能显著优于之前 - 无边界但结构感知:从 GNN 到 MLP 的原型导向知识蒸馏
本文针对基于图任务的高准确性图神经网络(Graph Neural Networks, GNNs)转化为低延时多层感知器(Multilayer Perceptrons, MLPs)的热门研究主题,提出了一种无需图边,且能够学习适应结构的 ML - 利用原型进行跨域随机预训练以进行强化学习
本文提出了一种基于 CRPTpro 的跨域自监督随机预训练框架,它采用了跨域随机策略和原型表示学习方法,在不同的任务领域中能够更高效地实现图像相关的强化学习任务。CRPTpro 在 DeepMind Control suite (DMCon - 对比内省,识别强化学习中的关键步骤
该论文提出了一种将离线对比学习结合强化学习技术来识别任务中关键步骤的算法 ConSpec,它通过学习关键步骤的原型来提供信号奖励。该算法的原型具有两个关键的优势:它们能够快速地鉴别所有关键步骤,同时在感知特征被改变时很容易地进行分布外泛化。 - IJCAI通过零样本识别占位符学习原型
本研究提出了使用占位符来消除已知和未知类别之间的领域漂移问题,并通过该方法在五个基准数据集上取得了显著的性能提升。
- CVPR重新思考语义分割:原型视图
本研究提出了一种基于非可学习原型的非参数替代方法来处理任意数量的语义分割类,并通过模型优化嵌入式像素与锚定原型之间的排布来直接塑造像素嵌入空间,证实了该方法在多个数据集上的表现。
- EMNLP原型记忆的少样本表格到文本生成
提出了新的框架:Prototype-to-Generate(P2G),旨在通过使用检索的原型来提高神经表生成文本模型在少样本场景下的性能,并利用 IR 系统和新型原型选择器共同选择原型以帮助模型弥合表格和文本之间的结构差距。在三个基准数据集 - ICLR关系抽取的原型表示学习
本文章提出一种利用关系原型从远程标注数据中学习关系表示的方法,并证明该方法在几种关系学习任务上比现有技术显著优越,本方法具有预测性,可解释性和鲁棒性。
- 领域自适应语义分割的原型伪标签去噪与目标结构学习
本文提出了一种基于代表类的原型和特征距离的无监督域自适应方法,通过第一视角和第二视角目标的相对特征距离来调整原型分配,并使用特征距离来估计伪标签的概率以辅助在线纠正,同时利用自我监督训练模型进一步提高性能。
- COLING一种增强的常识生成知识注入模型
利用外部知识概念辅助 CommonSense 生成,通过原型建模和知识注入方法显著提高了性能。
- 可解释图像识别的原型解释
通过量化影响色调、形状、纹理、对比度和饱和度的视觉特征,提高基于原型的图像识别的可解释性。