- 使用生成模型近似约束流形进行基于采样的约束运动规划
该论文介绍了一种基于深度生成模型的采样策略,以解决受任务约束条件下的运动规划问题。研究使用两种深度生成模型 CVAE 和 CGAN 来生成满足约束条件的样本配置,并通过模拟和实验评估其采样准确性和采样分布的覆盖率。
- 联邦主动学习 (F-AL):联邦学习中高效的标注策略
研究通过在联邦学习框架中应用主动学习和采样策略来减少标注工作量,比较了全局 FL 模型使用传统随机采样策略、客户端级别分离的 AL(S-AL)和我们提出的 F-AL 的测试准确率,实验证明 F-AL 在图像分类任务中优于基线方法。
- CVPR来 - 近 - 扩 - 速:通过随机收缩加速条件扩散模型求解反问题
通过使用新的采样策略 Come-Closer-Diffuse-Faster (CCDF) 和现有的前馈神经网络方法相结合,本文在超分辨率、图像修补和压缩感知 MRI 等三个领域取得了最优的重建性能。
- WWW不完整判断情况下公平排名度量方法估算
为应对个人受保护属性标签稀缺的大规模系统,本研究提出了采样策略和评估技术以对四种公平排名度量进行测量,并形成一个强大而无偏的估算器。实验结果证明了该方法的可行性和可靠性。
- 基于模式的张量分解:CUR 分解的多维泛化
本文研究了低秩张量逼近的两种主要张量 CUR 逼近的特性,扰动分析和高效采样策略,具有全面的理论和实证评估。
- 探究图像间不变性以实现无监督视觉表示
本研究通过对伪标签的维护、采样策略和决策边界的设计进行了综合实证研究,提出了一种统一的通用框架,支持无监督内部和跨图片不变性学习的集成。通过精心设计的比较和分析,我们揭示了多个有价值的观测结果,并展示了最终模型 InterCLR 在多个标准 - 不让历史纠缠您 —— 缓解对话式问答中的复合误差
本文针对谈话式问答(CoQA)任务中可能出现的由于模型先前的预测答案导致的错误累积问题,提出了一种采样策略,旨在在训练期间动态地在目标答案和模型预测之间进行选择,并分析了此现象的严重程度与问题类型,对话长度和域类型的关系。
- ICLR部分反馈下的主动学习
提出了一种使用部分反馈进行主动学习的方法,该方法可以解决多类别注释的实际问题,并使用抽样策略选择(示例,类)对,该方法在 Tiny ImageNet 数据集上相对于 i.i.d 基线提高了 26% 的分类精度,更低的成本。
- 嘈杂贝叶斯主动学习
本文提出了一种基于最大化外部 Jensen-Shannon 分歧的标签查询采样策略,用于噪声贝叶斯主动学习中的真实标签生成函数的识别,并提供了上下界,表现优于以往的方法。
- 基于高斯过程模拟器的多目标优化:逐步不确定性降低法
我们提出了一种基于逐步降低不确定性原则的算法,将优化视为当前最佳解以下偏移集的序列降低,并选择提供最高预期降低的点的采样策略,避免使用繁琐的模拟,并在数值例子上进行了测试,结果表明它在探索和集中之间提供了有效的权衡。