关键词structural dependencies
搜索结果 - 6
- 将多尺度拓扑与金字塔图卷积神经网络集成于数字病理学中
图卷积网络(GCNs)在数字病理学中作为卷积神经网络的多实例学习强大替代品,能够优秀地处理各种空间范围内的结构信息,对于从吉格巴 H&E 染色全幻灯片图像(WSI)中学习至关重要。然而,图传递算法在聚合大邻域时往往存在过度平滑的问题,因此, - WWW通过证据模式检索增强知识图谱上的复杂问题回答
信息检索中的知识图谱问答方法包括两个阶段:子图提取和答案推理。我们认为当前的子图提取方法低估了证据事实之间的结构依赖的重要性。我们提出了证据模式检索(EPR)来在子图提取过程中明确地建模结构依赖关系。通过对资源对的原子相邻模式进行索引,我们 - 面部特征点检测的深度结构预测
本文提出了一种深度结构化面部标记检测方法,该方法使用深度卷积网络和条件随机场相结合,能够在面部标记检测上取得比现有技术更卓越的性能,特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。
- 高斯过程多保真贝叶斯优化通用框架
本文研究了多个输出之间具有复杂结构依赖关系的多认真贝叶斯优化,并提出了 MF-MI-Greedy,一种解决此问题的原则算法框架。
- ACL学习结构化文本表示
本文提出一种可以在没有语篇分析器或额外注释的情况下,从数据中学习具有结构感知能力的文档表示的模型,该模型通过将可微分非项目句法分析算法嵌入神经模型,使用注意机制来结合结构偏置,从而产生具有解释性和意义的中间结构,并在不同任务和数据集上实验验 - 可视化和理解循环网络
使用字符级语言模型作为可解释的测试平台,本研究分析了 LSTM 的表示、预测和错误类型,并揭示了其提高性能的长程结构依赖性的来源。