关键词structural assumptions
搜索结果 - 4
- 组合顺序干预的结构化学习
我们提出了一个明确的模型来解构顺序干预的效果,并研究其在预测模型中的识别性质,与传统的泛化方法相比,结构化模型在稀疏数据条件下更有助于预测。
- 将顺序变化检测简化为顺序估计
通过使用置信序列,我们将时序变化检测简化为时序估计,并在所有活动置信序列的交集为空时宣布变化。我们证明了平均运行长度至少为 1/α,从而实现了具有最小结构假设但具有强有力保证的变化检测方案。
- 深度学习模型中的归纳偏差在天气预测中的应用
分析了深度学习天气预测模型的感知偏差及设计元素,包括输入数据、预测目标、损失组成、神经网络结构和优化方法,并指出未来的发展趋势。
- ACL语言建模的组合方法
本文提出了一种新的语言模型,通过序列组合树来取代之前基于线性链的假设,消除了结构上的任何假设,利用对比熵作为评估度量标准对新模型进行评估,相较于以往基于递归神经网络的模型,在失真级别上获得了超过 100% 的改进。