- AAAI结构化预测选择性伪标记的无监督域自适应
本篇论文提出了一种基于结构化预测的选择性伪标记策略,通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记,实验证明该策略表现优于当代最先进方法。
- EMNLP改进推理网络和结构化预测能量网络的联合训练
设计了一种复合目标函数,共同训练成本增强和测试时推理网络以及能量函数,为结构化预测稳定和提高了这种联合训练能力,并在两个序列标注任务上进行了实证验证,显示优于以前的工作方案,以及在全局能量项上取得进一步改进。
- 图结构预测能量网络
提出了一种用于结构预测的能量网络,能够同时建模明确局部和隐式高阶关联,同时保持推理的易计算性,并将该方法应用于自然语言处理和计算机视觉任务,展示了其广泛实用性。
- 使用投影正则化的结构化预测
提出一种用于结构化预测的损失函数生成通用框架:用户选择一个凸集,提供一个投影在该集合上的 oracle,框架自动生成一个相应的凸平滑损失函数,并证明在输出层增加投影可以降低损失,通过采用多种凸集实现更多任务,结合校准解码后证明其可以作为(潜 - EMNLPText2Math: 将文本解析为数学表达式的端到端模型
Text2Math 提出了一种将文本语义解析为数学表达式的模型,采用端到端的结构化预测方法,能够快速解决包括算术问题和方程转换问题等数学相关问题,并在基准数据集上取得了良好的实验效果。
- EMNLP使用软标签链条件随机场实现短语定位
本文提出了一种基于神经链条件随机场(CRFs)和软标签的序列标注方法,用于解决图像标注中常见的短语定位问题,将短语与潜在区域匹配,从而得到更准确的图像标注结果。该方法在 Flickr30k Entities 数据集上取得了最新的最佳性能。
- ACL通过复制最近邻居进行标签无关序列标注
文中涉及检索和编辑的结构化预测方法,使用检索邻居相关的结构进行编辑以形成新的结构,通过复制检索邻居的标签,实现了准确的序列标注,并考虑了在检索邻居存在的情况下进行序列标注的动态规划方法,从而实现更可解释和更准确的预测。
- WWW个性化捆绑列表推荐
该研究提出了一种名为 BGN 的捆绑列表生成网络,使用 DPP 将个性化捆绑列表推荐问题分解为质量和多样性两个部分,并通过使用特征感知 softmax 来改善传统 softmax 表示的不足。BGN 在四个数据集上显着优于现有方法,特别是在 - 利用平滑凸代理实现结构化预测的一般理论
本文提出了一个理论框架来进行结构化预测,其将多标签,排序回归和图匹配等任务的损失统一了起来,并可以获得条件随机场和二次代理等现有代理方法上的新结果。
- NIPS通过模仿学习学习波束搜索策略
本篇论文提出了一种新的元算法,可以利用模仿学习的方法来训练模型的束搜索策略,并且证明了该算法具有无遗憾保证。在该设置中,束搜索是模型的一部分,而不仅仅是近似解码的产物。
- CVPR用于高效视频分割的深度时空随机场
本研究提出了一种名为 VideoGCRF 的方法,采用深度高斯条件随机场对密集连接的时空图进行精确和高效的推断,能够与现代深度网络一起进行端到端的视频理解训练,并在语义分割和实例分割的任务中呈现出实证上的优越性。
- ICML从邻居学习:从稀疏注释中学习多模态映射
该文章研究了如何通过邻居的注释来提高判别模型的性能,并应用于图像和语言领域的多个问题中,通过实验结果显示了该方法可以提高输出多样性和模型准确性。
- ACL基于搜索的结构化预测知识蒸馏
本文介绍了一种将多个模型组成的模型集合体及其概率输出 match 到参考状态和使用模型集合体探索搜索空间,通过实验表明,这种蒸馏(distillation)方式可以有效提高模型性能,比之前的模型都表现良好。
- 基于图的生成式编码建模
本研究提出了一种新的基于图的生成模型,可用于产生源代码中的语义有意义的表达式,并在实验中胜过多种强基线模型。
- ICML在多项式时间内学习最大后验扰动模型以进行结构化预测
本文提出了一种基于 Rademacher 泛化界限的新型通用泊松模型学习算法,并给出了对未知示例的泛化保证条件,该方法可以在多项式时间内计算 MAP 预测器期望损失的泛化界限。
- CVPR结构化预测任务的对抗结构匹配
本文提出一种新的框架 ASM,通过对抗过程对训练结构化预测网络进行训练,降低对象之间的语境混淆并提高边界定位精度。
- NIPS使用置换不变的结构化预测将图像映射到场景图
本文提出了一种基于置换不变性的结构化预测模型设计原则,该模型应用于复杂图像的机器理解,取得了新的最佳效果。
- ICML稀疏可导结构化推断
介绍了 SparseMAP 方法及其应用于深度神经网络的优势,旨在解决基于稀疏结构的推理问题,提高可解释性和准确率
- 结构化预测与注意力的可微分动态规划
本文提出了一种新的方法,在动态规划算法的递归过程中使用强凸正则化器平滑极大算子,以使一类 DP 算法变得可微分,从而解决 DP 算法在神经网络中无法使用反向传播训练的问题,同时实例化了两个平滑算法,并在结构化预测任务和神经机器翻译中测试了其 - CVPR一次性零件标记的结构化集合匹配网络
本文提出一种结构化的集合匹配网络,使用卷积神经网络来标记一个目标图像中的多个部分,该网络被广泛地应用于三种不同的标签传递场景中的图像匹配任务,并且明显优于几个强基线方法。