- ACLRAID:用于机器生成文本检测器鲁棒评估的共享基准测试
通过使用最大、最具挑战性的基准数据集 RAID,评估了机器生成文本检测器的领域外和对抗鲁棒性,并发现当前的检测器在对抗攻击、采样策略变化、重复惩罚和未知生成模型方面容易被欺骗。我们发布了数据集和工具,以促进进一步探索检测器的鲁棒性。
- 具有损失递减感知的异构图神经网络的课程学习
在处理异构信息网络方面,异构图神经网络(HGNN)通过课程学习策略和基于相对损失的训练进程趋势来提高学习效率与泛化能力,并通过采样策略解决训练不平衡问题。
- 带有偏倚非响应的主动学习
通过使用基于成本的采样策略,我们提出的上限置信界预期效用(UCB-EU)方法成功地减少了标注的非响应对模型性能的影响,特别是对于电子商务平台淘宝上通过点击印象训练的转化模型而言。
- CADS: 通过条件退火采样释放扩散模型的多样性
通过使用一种改进的采样策略,我们提供了一种可以增加扩散模型的生成多样性的方法,尤其是在高指导尺度下,同时最小化样本质量损失。该方法通过在推理过程中向条件向量添加预定的、单调递减的高斯噪声来退火条件信号,以平衡多样性和条件对齐。我们的 Con - MeanAP 引导的增强式主动学习用于目标检测
该论文介绍了一种使用任务模型的 MeanAP 指标设计采样策略的新方法,即 MeanAP-Guided Reinforced Active Learning for Object Detection(MAGRAL),通过强化学习的采样代理基 - 超越均匀采样:利用不平衡数据集的离线强化学习
离线策略学习旨在利用现有的轨迹数据集来学习决策策略,而无需收集额外数据。我们通过提出一种采样策略并将其作为标准离线强化学习算法的即插即用模块,从而解决了现有算法在完全优化数据集的情况下性能提升有限的问题。我们的评估表明,在 72 个不平衡数 - 提高语言模型在数学问题上性能的混合策略
通过混合策略探索,我们提出一种用强化学习解决数学问题的方法,在解决数学问题的过程中,我们通过在两个层次上进行探索来预测下一个令牌,并在 GPT-2 模型上取得了超过 2% 的性能提升。
- 非冗余信息采样的目标检测主动学习
提出了一种新的主动学习采样策略,将不确定性和基于多样性的选择原则集成到一个联合选择目标中,通过测量所选样本的集体信息得分,有效地避免了冗余,并同时保持了高度的信息性,精选包含不同物体类型、形状和角度的数据集,在目标检测和图像分类任务中相比于 - 图形对比主题模型
本文提出了一种基于图的对比学习方法,使用生成的正负样本和原型来改善学习文档主题表示和潜在主题。通过对几个基准数据集的实验,证明了该方法在主题连贯性和文档表示学习方面的有效性。
- 大型语言模型作为注释器:在最小成本下增强 NLP 模型的泛化能力
研究使用大型语言模型对输入进行注释以提高自然语言处理模型的泛化性,并提出一种基于模型预测得分差异的采样策略来重新训练模型,证明在分类和排名任务中取得了显著的精度提高。
- 利用扩散先验进行实际图像超分辨率
本文介绍了一种新的方法,利用预先训练的文本到图像扩散模型中所包含的先前知识来实现盲超分辨率,并通过引入可控特征包装模块和渐进聚合采样策略来克服扩散模型固定尺寸的限制,实现对任何大小分辨率的适应,并在综合评估中展示了该方法在超分辨率领域的优越 - 暗含式三维重建采样策略分析
本文研究了隐式三维重建网络中空间查询点采样策略对模型性能的影响,在网络类型、隐式函数和采样密度三个方面进行分类分析和实验比较,提出了线性采样和距离掩模两种改进策略。
- 元学习连体网络用于少样本文本分类
本文提出了一种 Meta-Learning Siamese Network 来解决 few-shot learning 中的三个主要问题(即原型向量计算中忽略采样的随机性,忽略标记样本的重要性和纯随机构建元任务)。与现有模型相比,Meta- - AAAI强化近似探索式数据分析
这篇论文提出了一种基于深度强化学习的框架,旨在优化采样策略以保持数据分析和洞察流,同时减少交互延迟,通过在 3 个真实数据集上进行评估,证明了该技术相对于基线方法能够保留原始的洞察生成过程。
- AAAI通过单语数据提高同时机器翻译的效果
该研究提出并探索了使用单语数据来提高同时机器翻译的质量,并提出了新的单语抽样策略,以避免 SiMT 中的幻觉问题,实验表明新策略可以显著提高翻译质量。
- CVPR联合征服:使用扩散模型的即插即用多模态合成
本文研究了使用扩散模型生成图片以满足多种限制条件的问题。我们提出了一种基于去噪扩散概率模型的解决方案,该方法能够统一多个扩散模型,并引入一种新的可靠性参数,使得可以在采样时仅使用不同数据集上训练的现成模型来指导并满足多种限制条件的任务。该方 - 监督超图重建
本文提出了一种有效的超图重构方法,该方法结合了超图的分布分析、采样策略和超边分类器,能够从现有的图数据中重建出真实超图,表现优于所有基准方法。
- ACL终身语言学习中选择性记忆群体有多大相关性?
本文探讨了稀疏经验回放对于对抗灾难性遗忘的长期语言学习的作用,特别是对于文本分类和问答任务中的样本采样策略对于模型性能的影响。作者发现,在随机存储整个数据流中的均匀数量的样本的方法下,模型表现高,特别适用低存储容量的情况,这与计算机视觉研究 - ECCV主动域自适应中对标签分布偏移的对抗
提出了一种主动域自适应的方法,通过新的采样策略,在满足代表性、多样性和不确定性的同时,选择最能近似整个目标分布的样本,并使用这些样本进行监督学习以及匹配源域和目标域的标签分布,取得了显著的性能提升。在四个公共基准测试上,本方法在每种自适应情 - 基于图滤波的可扩展多视图聚类
本文提出了一种用于聚类属性和图数据的通用框架,该框架能够探索特征和结构之间的相互作用,并具有图过滤和采样策略等优势,同时在属性和图基准测试上的实验证明了其优越性。