- RidgeBase:跨传感器多指接触式非接触式指纹数据集
本文介绍了 RidgeBase 基准数据集,该数据集是用两个智能手机相机和一台平板式接触式传感器在不同背景和光照条件下从 88 个个体中采集的超过 15,000 对接触式和非接触式指纹图像。为了促进不同匹配场景下的研究,我们提出了一种基于集 - 通过扩散辅助束调整解决姿态估计问题
该研究提出了一种基于概率扩散模型的摄像机姿态估计方法,能够在解决传统方法难以处理的问题方面有所改善,并在两个真实世界数据集上取得了很好的效果。
- 选择性概念模型:允许利益相关者在测试时进行自定义
SCOMs 是一种选择性概念模型,可以由利益相关者在测试时根据其喜好自定义,使用较少的概念即可在多个真实世界数据集上实现最佳准确性,并可显著提高利益相关者的解释和干预效率。
- 关于适应性预测集大小的预期尺寸
本文旨在解决当前对于确保错误频率的合规性统计保证,且相应预测集的大小对其实用性至关重要,但预测集大小缺乏有限样本分析和保证的问题,通过量化拆分一致性预测框架下预测集的期望大小来解决此不足,并提供一种实用的方法来表示测试和校准数据的不同可能实 - IJCAI基于语义掩模和扩散模型的 NeRF 编辑
本文提出了一种新颖的框架,可以利用扩散模型实现对神经场景中的 3D 内容进行编辑,此方法可以有效地改善 NeRF 的可编辑性、多样性和应用范围,验证结果表明在不同的文本提示下,该算法对 NeRF 中的 3D 目标具有改进的效果。
- DP-HyPO:自适应私有超参数优化框架
DP-HyPO 是一种桥接私人和非私人超参数优化方法的里程碑式框架,并提供了具有全面差分隐私分析的高效性。
- ACL产品属性值识别的统一生成方法
本研究探讨了使用生成模型的产品属性值识别(PAVI)任务,通过微调预训练的 T5 模型,可以在真实世界数据集上优化现有的提取和分类方法。
- ICML非自回归条件扩散模型用于时间序列预测
本文提出了一种基于 non-autoregressive diffusion model 的时间序列预测模型 TimeDiff,通过引入 future mixup 和 autoregressive initialization 两种新的条件 - 邻域重构图异常检测
本文提出了一种新颖的图自编码器方法 GAD-NR,它通过邻域重构来检测图的异常节点,相较于现有方法在克服聚类型结构异常检测的同时还能检测其他类型的异常,实验结果显示 GAD-NR 较现有竞争方法在真实世界数据集中的性能提升了多达 30%。
- DäRF:使用单目深度自适应从稀疏输入中提升辐射场
提出一种名为 D"aRF 的新框架,通过在线互补训练将 monocular depth estimation (MDE)网络的强大几何学优势与 Neural radiance fields(NeRF)表示相结合,通过缓解单眼深度的歧义问题来 - CVPRNoisyTwins: 基于 StyleGAN 的一致多样图像生成
使用 NoisyTwins 引入一种有效且廉价的类别嵌入数据增强策略,在 ImageNet-LT 和 iNaturalist 2019 等大规模实际数据集上,成功地解决了 StyleGANs 当训练规模很大时所遇到的问题,保持了类内多样性和 - 基于 Stream-Graph 神经网络的数据预取器 SGDP
本文提出了一种基于 Stream-Graph 神经网络的数据预取器(SGDP), 该预取器使用带权有向图结构来表示 LBA 增量流之间的交互关系,并通过图神经网络提取混合特征进行数据预取,在八个真实数据集上的实验结果表明,SGDP 在命中率 - 简单微调方法下的增量式少样本目标检测
本文中,我们提出了一种简单的基于微调的方法,iFSD 的增量两阶段微调方法(iTFA),用于在不回访基类的情况下仅使用少量示例增量学习新类。实验结果表明我们提出的方法在现实世界的数据集上表现出很好的准确性和适用性。
- 学习中的个体公平性保证与审查
研究机器学习算法如何实现公平性是机器学习中一个重要的领域。为了在构建机器学习系统时考虑公平性,这篇文章提出了一种新的公平性模型,即在具有审查制度的情况下进行个体公平性学习,探索了缺乏类标签前提条件的情况下如何对待相似的个体并减少歧视。本文在 - SimCGNN: 基于对比的会话推荐简单图神经网络
该研究提出了一种基于对比学习的简单对比图神经网络用于会话推荐,通过获得标准化的会话图嵌入、正负样本的构建和新颖的负样本选择策略,优于现有方法并进行了大量实验验证。
- 具有拉普拉斯增强的有向带符号图对比学习
本文提出了一种新颖的有向图对比学习方法,称为磁拉普拉斯扰动有向图对比学习 (SDGCL),通过磁拉普拉斯扰动获取两个结构差异的图像并使用节点级对比损失来最大化两个图像之间的互信息,该模型在四个真实数据集上的表现优于其他最新模型。
- AAAI利用关系嵌入减少图神经网络中的过度平滑
本文提出了一种使用节点嵌入关系明确缓解图神经网络(GNNs)中超平滑问题的新方法。通过在真实数据集上进行试验,表明利用节点嵌入关系使得 GNN 模型如 Graph Attention Network 对超平滑的鲁棒性更强,并且在更深的 GN - AAAI探索逐笔修改用于场景文本编辑
提出了一种称为 MOSTEL 的新网络来处理场景文本编辑的两个主要问题:显式解耦结构和域差异。该方法利用笔划的导向图来明确指示文本区域进行编辑规则,并采用半监督混合学习来使模型适应实际数据集分布。实验结果表明,MOSTEL 在质量和数量上均 - AAAIVideoDubber: 视频配音的语音感知长度控制机器翻译
该研究针对影视配音中原始语音和目标语音的对齐问题,提出一种机器翻译系统,通过考虑语音时长控制翻译长度,构建了真实世界情景下的测试集,实现了对自然长度的更好控制。
- 使用潜变量发现新意向
本文提出了一种概率框架,通过将意图分配视为潜在变量,探索无标签数据的内在结构,从而发现新意图,并在已知意图的基础上,采用期望最大化算法,通过优化标记数据的区分度来减少来自已知意图的遗忘。在三组具有挑战性的真实世界数据集上进行了广泛的实验,证