- 消除多语言表示中的自我语言偏差的简单有效方法
采用几何代数和语义空间的新角度,提出 “语言信息移除” 方法,通过从多语种表示中分离语言身份信息,进一步研究语言无关和语义 - 语言信息分离的问题。该方法简单而高效,只使用简单的线性运算,并在多语种嵌入空间的弱对齐模型上实现了近乎 100% - ACL语音到文本转换的共享语义空间学习
该论文提出了一种名为 Chimera 的方法,该方法通过投影音频和文本特征到一个共同的语义表示来统一文本翻译和语音翻译任务,从而提高了 MuST-C 和 Augmented Librispeech 的 ST 基准性能至新的最先进水平。
- 深度异常检测的神经转换学习方法
提出了一种可学习的数据变换方法,将数据嵌入语义空间,以检测异常值,此方法在时间序列和表格数据方面表现优异。
- 零样本学习的简单有效本地化属性表示
本文提出一种利用语义 / 属性空间的区域表示来实现无监督学习的方法,其中区域表示的本地化是隐式的。本方法具有高度的可解释性,能够取得 CUB 和 SUN 数据集上的最新性能以及在 AWA2 数据集上优于一般性能更复杂的方法。
- CVPRM3P:通过多任务、多语言、多模态的预训练学习通用表示
M3P 是一个多任务多语言多模态预训练模型,通过多任务预训练将多语言预训练和多模态预训练结合到一个统一的框架中。该模型的目标是学习通用表示法,可以将出现在不同模态或不同语言中的对象映射到一个公共的语义空间。此外,该论文还提出了 Multim - 开放式跨领域视觉搜索
探讨了面向跨域视觉搜索的开放式设定,在公共语义空间中搜索实现在任何领域中进行搜索以及在多个领域之间进行搜索,向各个可用视觉领域的每一个领域的映射以通过分类样本进行搜索的方法,能够提供与现有半封闭设定相媲美的结果。
- CANZSL: 适用于自然语言零样本学习的循环一致性对抗网络
本文提出一种新的零样本学习方法,通过循环一致的对抗网络 (CANZSL),将一种基于自然语言的多模态一致双向生成对抗网络训练用于处理零样本学习问题,以在语义空间中生成逼近真实分布的语义特征。实验结果表明,CANZSL 在自然语言零样本学习任 - 语义概念空间:使用词嵌入投影引导主题模型的改进
提供了一个框架,允许用户在保持模型无关性的同时,将其领域知识的语义纳入主题模型的完善中。使用交互式视觉分析工作区支持用户完成语义空间的理解、潜在冲突和问题区域的识别以及基于对概念理解的重新调整,从而直接影响主题建模。通过操作与推荐交互相结合 - 基于音频的零样本学习音乐分类和标记
本文研究了音乐领域中的零样本学习,并组织了两个不同的副信息设置,探讨人类标记的属性信息和一般词语语义信息的适用性,在音乐分类和多标签零样本学习方面提出了数据分割方案和评估设置,并报告了实验结果。
- ICML音乐分类与标记中的零样本学习和知识迁移
本研究探讨零样本学习在音乐分类和标记任务中的应用,提出了将音频和标记空间映射到单一语义空间并进行知识传递的方法,以验证其在不同音乐语料库中的泛化能力。
- 利用 Word Mover's Distance 建模对话中的人际语言协调
本文通过神经词表示空间中的距离,将语言协调的不同方面相结合,提出了一种新的协调度量,并通过临床心理学领域的两个案例研究验证了它的有效性,发现新提出的度量方法与之前的度量方法相比具有更高的相关性,并且能够指示情感行为和语言协调的关系。
- ECCV探索深度神经网络的语义鲁棒性
本文提出了一种理论上有根据的方法来分析深度神经网络(DNNs)在语义空间中的稳健性,主要是通过基于优化积分界限表达的方法来定量评估不同网络结构的语义稳健性。通过实验证明,尽管 InceptionV3 比 ResNet50 具有更高的准确度, - 知识表示学习:量化评述
本文综述了知识表示学习的动机和现有方法,并在知识获取的三个评估任务上对几种典型的 KRL 方法进行了广泛的定量比较和分析。此外,我们还回顾了 KRL 的实际应用,包括语言建模、问答、信息检索和推荐系统,并讨论了剩余的挑战和未来的方向。
- MM集体想象的 Lévy 飞行
提出了一个结构化的随机游走模型,用于描述人们在群体中的交流方式,并将该模型应用于哲学文本、国会辩论和 Reddit 的讨论树等多个社会结构。在哲学和国会案例中,该模型描述语义空间内的重要概念的讨论方式,同时依据粗粒化理论证明了该模型是适用于 - NIPS领域不变投影学习用于零样本识别
本文提出一种新的零样本学习模型(DIPL),其中引入一种域不变特征自重建任务并通过语义空间中超类的形成进一步对齐两个域,以解决转移学习中看不见的物体分类问题。我们的模型在大量试验中表现出优异的性能,优于现有技术方案。
- 文本联合源通信深度学习
本文考虑了在噪声信道上传输结构化数据(例如自然语言)的联合源编码和信道编码问题,提出了基于深度学习编码器和解码器以及将句子嵌入语义空间后进行联合编码的方法,旨在同时最小化端到端失真和字错误率。
- ICLR生成自然对抗样本
本文提出了一种使用生成敌对网络在语义空间中搜索自然和易读的对抗性样本的框架,以验证黑盒子分类器的鲁棒性,并证明该方法可在图像分类,文本蕴含和机器翻译等广泛应用中有效。
- 事件抽取的零样本迁移学习
本文提出一种转移学习的神经架构,通过将事件提及和类型映射到共享语义空间中,实现事件提取,支持零样本学习,并在现有事件类型与新的事件类型上进行了实验,实现了与监督模型相当的效果。
- 传统零样本、广义零样本和少样本学习的统一方法
提出了一种基于 Class Adapting Principal Directions(CAPD)的零 / 少样本学习方法,允许将图像特征的多重嵌入到语义空间中,学习用于将 CAPD 对齐到真实类别并与其他类别相反的无见类别的主方向,进而实 - ACL语言表征在视觉语音信号模型中的应用
基于视觉基础的言语知觉模型,使用多层循环高速公路网络对时间性建模,能够从输入信号中提取形式和基于含义的语言学知识,并分析了训练模型不同组件使用的表示方式。在表示层次结构的上升过程中,语义方面的编码越来越丰富,而语言输入中形式相关方面的编码在