- 非反向传播图神经网络
本文介绍了一种新的非回溯图神经网络(NBA-GNN)方法,通过避免局部更新中的冗余来提高准确识别信息流的能力,在长距离图基准和节点分类问题中验证了其有效性,并与非回溯更新在随机块模型恢复中的卓越性能建立了联系。
- 提升表达能力的非冗余图神经网络
基于邻域树的新型聚合方案提高了表达能力,减轻了过度压缩,并通过神经树规范化技术提供了高分类准确性。
- 基于深度强化学习的混合 V2X 通信算法:基准研究
本文基于航天工业的冗余原则,提出在 V2X 技术中引入多种无线接入技术,通过在复杂变化的通道和交通条件下使用深度强化学习算法解决垂直切换问题,并通过实验结果验证了这种方法能够降低通信成本并提高可靠性。
- 一种有效的多视图聚类的新方法:信息论透视
提出了一种名为 Sufficient Multi-View Clustering (SUMVC) 的新方法,该方法从信息理论的角度考察多视图聚类框架,通过开发简单可靠的多视图聚类方法和提出足够的表示下界,解决了多视图聚类中的冗余信息和一致信 - ICCV脉冲神经网络中的固有冗余
我们提出了一种 Advance Spatial Attention(ASA)模块来利用神经元网络(SNN)中的冗余功能,通过一对个体空间注意子模块来自适应优化其膜电位分布,从而准确调节噪声尖峰特征。实验结果表明,与最先进的 SNN 基准相比 - MM视频问答的冗余感知 Transformer
这篇论文介绍了当前 VideoQA 中存在的两种冗余问题,并提出了一种新的基于 Transformer 的体系结构来解决这些问题,通过模拟 VideoQA 的冗余特点,该模型在多个 VideoQA 基准上取得了最先进的结果。
- 基于多参考的重复感知增益评估的提取式摘要
通过提出一个考虑冗余问题的新 Sem-nCG 度量方法,可以用于对模型生成摘要进行多重参考评估,并在单一和多参考模型场景中与人类判断更高相关性。
- MVMR-FS:基于最大类间差异和最小冗余的非参数特征选择算法
基于最大类间差异和最小冗余的非参数特征选择算法 (MVMR-FS),通过引入监督和无监督的核密度估计,利用概率分布反映特征相关性和冗余性,在十种最先进方法中取得最高平均准确率,并提高 5% 至 11% 的准确率。
- MD-HIT:用于材料性能预测的机器学习及数据集冗余控制
本文调查了文献中关于基于组成和基于结构的材料属性预测的过高 ML 性能,提出了一种材料数据集冗余降低算法 MD-HIT,并通过几个组成和结构基础的距离阈值评估其性能,结果表明,通过这种方法,预测性能更能反映其真实的预测能力。
- 预训练表示中的扩散冗余
研究表明,在预先训练的神经网络中,一个给定层中的许多神经元之间存在一定程度的冗余,因此可能不需要整个层来执行下游任务,这为提高下游任务的效率和减少数据成本提供了可能。
- ACL多头注意力的支柱寻找
本文提出了使用最小冗余特征选择的思想,通过聚焦于最具代表性和独特性的特征,采用自监督群组约束进行训练的 Grouped Head Attention 模型,以及通过投票去除冗余头部来实现更有效和高效的多头自注意力模型。实验结果表明,该方法在 - 利用神经元冗余分析解释预训练源代码模型
本文提出了一种基于神经元水平的方法来解决神经代码智能模型可解释性的问题,通过去除那些高度相似或任务不相关的神经元,利用熟练的分类器评估重要的神经元,发现在我们的代码智能任务中超过 95%的神经元都是冗余的,并可被删除而不会在准确性方面造成重 - SVT: 超级令牌视频变形器用于高效视频理解
本文提出了一种超词汇视频变形器(SVT),其中包含语义池模块(SPM),该模块根据它们的语义沿着视觉变换器的深度聚合潜在表示,并因此减少了视频输入中固有的冗余;方法在 Kinectics-400 和 Something-Something- - 边缘设备上实现深度学习
本论文探讨了 DNN 在资源受限的边缘设备上部署的优化问题,并研究了四种边缘智能场景下的深度学习方法,通过减少 DNN 冗余度来达到资源消耗与模型准确度之间的平衡。
- 重新思考训练大规模图形中的效率和冗余
本文提出了一种名为 DropReef 的方法,通过识别和去除大规模图中的冗余信息、优化 GNN 模型,提高模型的训练效率,同时不影响模型的准确度。
- 自动摘要中冗余与局部连贯性之间的权衡
使用心理语言学理论,我们在提取式摘要中实现了对不重复且连贯的元素进行排名。这个系统可以控制信息检索量的预算,并通过实验证明在处理冗余文档时提供了更少冗余的摘要。
- 处理决策树中的解释冗余问题
本文证明了决策树并不总是能够提供简明易懂的解释,因为存在着解释冗余的路径。文章提出了一种理论严谨的路径解释方法,并提供了多项实验结果来支持这一结论。文章还提出了一种消除路径解释冗余的算法,可以实现简约而不失理解性的解释。
- ICLR基于细胞的神经架构搜索中的冗余和多样性
本文在对流行的基于单元的搜索空间进行后期经验分析后发现,现有的搜索空间具有很高的冗余性,而单元中对性能影响最大的部分往往遵循类似的简单模式,并通过限制单元来包括这些模式,从而能找到一些能够匹配或胜过现有最先进模型的模型。
- 实验测量及物从句中语法提示的冗余度
通过行为实验和跨语言计算分析,我们研究了自然语言中语法提示的冗余性,并发现仅有最多 10-15%的自然发生的句子需要语法提示来表达代理性和病因性,但它们在提供重要的冗余来源方面至关重要,特别是在描述人际交往、表达非典型意义以及区分可逆角色时 - 动态视觉识别的快速扫描和精确定位网络
本文提出了一个新的序列特征学习方法,Glance and Focus Network(GFNet),用于图像识别问题中的减少空间冗余和时间复杂度的优化,GFNet 采用类似人类视觉系统的粗到细的学习方式处理图像,并通过强化学习的方式定位图像