关键词task-agnostic representations
搜索结果 - 6
- ICML朝可扩展和多用途的权重空间学习迈进
SANE 是一种权重空间学习方法，通过对神经网络的子集进行顺序处理，将较大的神经网络嵌入到学习表示空间中，并从层次嵌入中揭示全局模型信息，可生成新的神经网络模型，并在权重表示学习基准测试中达到或超过现有最先进方法的性能。
- 一个概率模型解释自监督表示学习
自监督学习在生成的潜在变量模型和对比方法的框架下，提出了一种能够改善性能、实现任务无关性表示的方法。
- 目标导向的迁移学习的明确价值预训练
提出了一种方法，可以通过基于价值函数估计的一系列观察结果来学习任务无关的表示，其中最后一帧对应于一个目标状态。这些表示将学习通过与目标状态的时序距离相关的不同任务之间的状态，无论外观变化和动力学如何。这种方法可以用于将学习的策略 / 技能转 - ALP：面向感知的动作感知学习
本文提出了一种基于行为感知的具有身体的学习框架，该框架通过结合强化学习和反向动力学预测目标来将行动信息纳入表示学习中，主动探索复杂的 3D 环境，从而学习可推广的任务不可知表示，并收集下游训练数据，以目标检测和语义分割任务为例，证明了该方法 - 社交媒体中的社会语用意义对比学习
本文提出了一种学习任务无关的表示法，可用于广泛的社会语用任务，如情感识别、仇恨言论、幽默和讽刺，它在领域内和领域外的数据上均优于其他对比学习框架。
- MM基于表征的元学习用于少样本语音意图识别
本文提出了一种利用元学习范式的 few-shot 口语意图分类方法，通过基于表示的元学习获取 utterances 的任务无关表示，然后使用线性分类器进行预测，在 Google Commands 和 Fluent Speech Comman