关键词representation alignment
搜索结果 - 8
- 以对象级别知识将世界划分为 Token,以解决自动驾驶中的长尾事件
提出了一种名为 TOKEN 的多模态大语言模型(MM-LLM),通过在长尾场景中对传统的端到端驾驶模型进行优化,将世界分解为物体级知识的令牌化,有效缓解了数据稀缺和低效的标记问题,并实现了在基于常识的推理能力上的优越表现。
- AAAICOMMA: 共同表达多模式学习
本研究提出了 Co-Articulated Multi-Modal Learning (COMMA) 方法,通过联合考虑视觉和语言分支的提示来增强两者的表示对齐,并减轻预训练模型中基本知识的遗忘,实现在多个任务中对新类别、新目标数据集和未见 - 通过表示工程将大型语言模型与人类偏好对齐
以表征工程为灵感,通过人类反馈实现对大型语言模型(LLMs)中高层人类偏好的相关表征的识别,并通过转变其表征来实现对模型行为的精确控制。RAHF 方法在捕捉和操作表征方面表现出出色的效果,能够对齐各种人类偏好,显示了推进 LLM 性能的潜力 - 度量学习增强的生物化学回归域自适应最优输运
本文提出使用最优传输算法(OT)进行表示对齐,解决生物医学应用中的连续标签回归任务问题。通过提出新的测度域距离和引入后验方差正则化的方法,进一步为拓展任务提供了支持。此外,提出了将 OT 与度量学习相结合的方法,通过动态层次三重损失函数来描 - ICLRKL 导向领域适应
本文研究了领域自适应中的输入表示对齐问题,提出了一种基于最小化源域和目标域表示分布之间的反向 Kullback-Leibler 差距的方法,利用概率表示网络实现了高效稳定的对齐方法,实验结果表明其优于其他对齐方法。
- CVPR多视角聚类的重新考虑表示对齐
本论文探讨了如何对多视角聚类模型进行表示分布的对齐操作,提出了对齐操作存在的问题,并提出了一种避免对齐操作的基线模型以及新增一种选择性对齐的对比学习组件,实验证明该模型可以有效提高多视角聚类模型的性能表现。
- 自我监督下的无监督领域自适应
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取 - 多视角表示学习调查
本文介绍了多视图表示学习中的两个类别:多视图表示对齐和多视图表示融合,并从多个角度回顾了代表性的方法和理论,进而调查了多视图表示学习的发展。最终,探讨了多视图表示学习的几个重要应用,并旨在为研究人员提供深入的理论基础和最新的发展。