- 倾听混沌的耳语:一种应用于新闻导向的股票趋势预测的深度学习框架
通过自然语言处理和文本挖掘技术,利用新闻内容预测股票趋势并对在线内容的低质量、不可靠性和全面性进行解决,提出了一种混合注意力网络来捕捉前两个原则,并应用了自主学习机制来模仿第三个原则。在真实股市数据上的广泛实验表明了这种方法的有效性。
- AAAI自适应学习的稀疏编码算法
本文提出了自适应稀疏编码(Self-Paced Sparse Coding,SPSC)框架,可逐步从简单到复杂地包含矩阵元素到编码学习中,以提高其学习鲁棒性并推广到不同层次的自适应学习。试验结果表明了该算法对于处理真实数据的有效性。
- 无监督人员重新识别:聚类和微调
本文提出了一种渐进无监督学习(PUL)方法,将预训练的深度表示转移到未见过的领域来改进人员重新识别(re-ID)的准确度,并使用自主学习自然地表达了整个过程。
- NIPS主动偏置:通过强调高方差样本训练更准确的神经网络
本文提出基于样本不确定性轻量级估计的两种改进型随机梯度下降算法:SGD 迭代中正确类别预测概率的方差和与决策阈值的正确类别概率的接近度来重新加权训练样本,实验结果表明我们的方法可靠地提高了各种网络结构的精度,包括残差学习、动量、ADAM、批 - 关于隐式自定步骤目标的收敛性质
本文验证了自主学习与内隐目标函数之间的内在关系,并确证了自主学习对于图像识别和模式识别中的鲁棒性分析是完整且理论上合理的。
- 主动自适应学习的成本效益和渐进式人脸识别
本文提出了一种新颖的廉价人脸识别框架,该框架通过联合活跃学习和自主学习的方法自动注释新实例并将其纳入训练,以实现分类器的有监督微调。实验结果表明,该框架在两个具有挑战性的数据集上具有非常良好的表现。
- AAAI利用视频描述学习视频问答
本文提出了一种可扩展的视频问答技术,利用自动生成的大量候选问题 - 答案对并使用自适应学习方法以处理其中存在的非理想数据,取得了优于基线模型的效果。
- 自适应学习:一种隐式正则化的视角
本论文研究了一个新的自适应学习方法 —— 自适应隐式规则化器,并提出了用于该方法的通用框架。该框架使用基于凸共轭理论的隐式损失函数学习最小化函数,从而能够更好地权衡避免过拟合和学习难度逐渐加大之间的关系。同时,研究还发现该方法与半二次优化方 - 自主学习深度学习技术在弱监督目标检测中的应用
本文基于自适应学习的思想,针对目前对象检测的弱监督情况,提出了一种基于深度神经网络架构的自适应学习策略,并在 Pascal VOC 2007、Pascal VOC 2010 和 ILSVRC 2013 数据集上得到了最先进的实验结果。
- 自主学习的多任务学习
本文提出了一种新颖的多任务学习框架,称为自适应步进多任务学习,该框架通过同时考虑任务和实例的复杂性来共同学习任务。通过提出一种新的面向任务的正则化器,可以联合优化任务和实例,从而可以解释为多任务学习中的自适应学习器。而且作者还设计了一种简单 - 自主学习的目标到底是什么?
本研究证明了自适应学习(Self-paced learning)中的求解策略符合最大化最小化算法的实现方法,并发现其中包含的损失函数类似于统计学和机器学习中已知的非凸正则化惩罚(NSPR),如 SCAD、LOG 和 EXP。通过这些发现,揭