- 稳健联邦学习的进展:异质性考虑
异构联邦学习领域中,关键挑战是在具有不同数据分布、模型结构、任务目标、计算能力和通信资源的多个客户端之间高效协作训练模型。本文首先概述了异构联邦学习的基本概念,并从数据、模型、任务、设备和通信五个方面总结了在联邦学习中的研究挑战。此外,我们 - 智能交互式写作助手的设计空间
我们通过提出一个设计空间来探索智能交互式写作助手的多维空间,并通过系统地检视 115 篇论文的方式,对任务、用户、技术、交互和生态系统五个方面进行了分析和定义,旨在为研究人员和设计师提供一个实用工具来导航、理解和比较各种写作助手的可能性,并 - 图神经网络在恒等效果学习中的泛化限制
在研究中,我们分析了 Graph Neural Networks 在简单认知任务中的能力,并讨论了其在学习所谓的 “identity effects” 时的一般化特性和基本限制。 我们通过两个案例研究来支持我们的理论分析。
- AI-in-the-Loop - 基于人机交互界面的 AI 应用影响
研究表明,通过在人工智能架构设计期间使用人机交互,可以轻松创建嵌入式应用程序的轻量级网络架构,从而减少资源需求,提高人工智能开发的效率并实现更可靠和可解释的人工智能应用。
- NADI 2022:第三届阿拉伯语言方言细粒度识别任务
本论文介绍了第三届 Nuanced Arabic Dialect Identification Shared Task(NADI 2022)的结果,该任务旨在推动阿拉伯语自然语言处理等领域的发展,其中涉及到阿拉伯方言的识别和情感分析,通过标 - 扩展智能
智能不仅存在于个体,也与其上下文环境交互作用,我们在此文中阐述了扩展智能的概念,强调了环境、其他个体、文化和技术等上下文因素对于个体的智能具有重要作用,指出智能是与人物特定任务相关的、无法衡量的。此论点具有很强的启示性,在心理学和人工智能领 - 利用大规模预训练技术自动化代码审查活动
该研究提出利用预训练技术来自动化代码审查,使用 4 项专门为代码审查场景定制的预训练任务,建立了包含 9 种流行编程语言的大规模真实世界代码变更和代码审查数据集,并创建了基于这些数据的高质量基准数据集,针对与代码审查活动相关的 3 个关键任 - 基于深度强化学习的适应性和泛化性方法综述
本文调查研究 Deep Reinforcement Learning (DRL) 中关于任务和领域适应以及泛化的最新发展,讨论未来如何增强算法的适应性和泛化能力,以解决更广泛的实际问题。
- ICML图像分布和任务对敌对鲁棒性的影响
该研究提出了一种新的指标来度量模型的鲁棒性,能够进行跨模型的比较,并在实验中发现训练数据集以及任务类型的差异影响模型的鲁棒性。
- 模型无关元学习算法的泛化:循环和未见任务
本文研究了超模型学习中的 MAML 算法在监督学习问题的推广性质,探讨了训练 MAML 模型的任务和样本数量对其推广误差的影响。我们提出了一种新的稳定性定义,从而捕捉了任务数和每个任务样本数对 MAML 推广误差的作用。
- ICMLDQI: 基准评估指南
最近的研究揭示了基准 B 与 C,D 和 E 之间的区别,提出了一种新颖的数据质量指标 DQI,以解决此问题,从而帮助模型实现真正的学习任务。
- 紧急语言的概括和学习速度与组合性无关
两个实验表明,根据任务不同,非复合语言可能显示出与符合语言相等或更好的泛化性能和习得速度,因此在这个领域的进一步研究应更清晰地阐明复合性预期的哪些好处和如何实现。
- 学习如何学习:利用元学习进行自适应视觉导航
本文探讨学习任务的连续性以及自适应性,并提出了一种元强化学习方法(SAVN),它能够在缺乏显式监督的情况下自适应地适应新环境,实验显示其在视觉导航中成功率和 SPL 指标上均有显著提高。