- 关于锐度感知最小化与对抗鲁棒性的关系
本文提出了一种新的对于锐度感知最小化(SAM)在对抗鲁棒性方面的理解,指出 SAM 和对抗训练(AT)都可以被视为特定的特征扰动,能够提高对抗鲁棒性,但两者在扰动强度上有所不同,换而言之,根据精度和鲁棒性的权衡不同。通过一个严谨的简化模型和 - 在低端硬件上使用语言模型
本研究探讨了在低端硬件上使用固定语言模型为训练文本分类网络提供有效性的可行性,将语言模型与 CNN 构架相结合,并在 8 个数据集上进行了综合基准测试,覆盖了话题、情感和风格的单标签和多标签分类。我们的研究提出了一系列权衡,结论是,在某些情 - 在资源受限嵌入式设备中部署 BERT NLP 模型的挑战探索
通过对 BERT-based 模型在不同资源限制和准确度预算下的实证研究,发现一个最优资源和准确度平衡点,帮助设计者在替代的 BERT-based 架构中做出明智的选择,节省显著的开发时间和精力。
- 多个目标的策略学习:将最优策略树与多目标贝叶斯优化相结合
论文提出了一种称为多目标策略学习的方法,它将政策学习的最佳决策树与多目标贝叶斯优化方法相结合,通过建立非支配模型的帕累托前沿来探索多个结果间的权衡,并使用代理函数作为非常昂贵的期望遗憾的最优树的准确代理。该方法应用于摩洛哥现实案例研究中的条 - MMFPGA 上高吞吐量混合精度 CNN 加速器设计
本文研究了深度神经网络在 FPGA 上的优化设计,提出使用多种精度量化来减少计算和数据传输成本,并成功实现了针对混合精度 CNN 的高效硬件加速器,能够达到高精度和高性能的权衡。
- AI 公正:从原则到实践
本文总结和评估了追求人工智能系统公正性的各种方法和技术,提出了定义、衡量和预防人工智能偏见的实用指南,并针对评估人工智能系统偏见的一些简单但常见方法提出了更为复杂和有效的替代方案。此外它还提供了一个共同的语言来解决领域内普遍存在的争议和混乱 - 从演示中学习行为软约束
本研究提出了一种新的逆强化学习方法,用于学习马尔可夫决策过程模型中人类在复杂环境中制定决策时的约束和偏好,从而在 AI 与人类的团队中更好的模拟人类行为和提高决策效率。
- 架构对于连续学习很重要
本研究证明了架构的选择对不断学习的性能有显著影响,不同的架构在记忆以前的任务和学习新任务之间存在不同的权衡。此外,本研究研究了各种架构决策的影响,提出了可以改善不断学习性能的最佳实践和建议。
- 多目标 SPIBB:有限 MDPs 中带安全约束的 Seldonian 离线策略改进
该论文探讨了如何在已知基线策略下,通过在多个奖励信号中进行权衡来改进机器学习模型的安全策略,并提出了一种新的基于安全策略迭代的方法,以保证算法的安全性和性能。
- 多目标强化学习与规划实用指南
本文为那些希望将多目标方法引入其研究的已经熟悉单目标强化学习和计划方法的研究人员以及在实践中遇到多目标决策问题的从业人员提供了一个解决复杂问题的指南,阐述了影响所需解决方案性质的因素,并通过示例说明了这些因素如何影响复杂问题的多目标决策系统 - 基于统一框架的集合分类概述
通过一个统一的统计框架来回顾多种基于集合值分类的公式,提供了可扩展的策略和构建数据驱动算法的方法,并在真实数据集上进行实验和提供一般的实用指导。
- KDD多目标完全观测结果下的治疗策略学习
本研究比较并评估了三种在医疗决策中学习个性化治疗方针的方法:两种间接方法和一种直接方法。研究结果表明,三种方法均优于临床医生,并在不同目标之间进行权衡。直接方法还具有其他优点,包括灵活地将其他目标纳入考量,适用于简单情况的医师推迟。
- ICMLFACT:群体公平权衡的诊断方法
我们提出了一种通用诊断方法,可以系统性地表征组公平性中的权衡,并通过在混淆矩阵中考虑受保护属性的值来实现多个权衡的优化。这种方法有助于重新设计公平的分类器。在合成和真实数据集上,我们演示了我们的诊断工具的应用情况,尤其是在理解准确性和公平性 - ICCV元线性:探索针对少样本学习的简单元学习
本文探讨了在整个标签集上进行全分类的简单方法,并通过此方法在多个基准测试中取得了与现有技术相当的表现。同时,本文还对元学习与全分类目标在少样本学习中的权衡进行了深入分析。
- SIGIRFAISS 和 FENSHSES 在汉明空间最近邻搜索中的经验比较
比较了 FAISS 和 FENSHSES 在汉明空间最近邻搜索中的表现,通过索引速度、搜索延迟和 RAM 消耗等方面进行综合评估。本比较旨在更好地理解主存和二级存储实现的最近邻搜索系统之间的权衡,这在文献中得到了很少讨论。
- CVPRMnasNet:面向移动端平台感知的神经结构搜索
本文提出了一种自动化的移动神经结构搜索(MNAS)方法,该方法将模型延迟明确地纳入主要目标,以便搜索可以识别满足准确性和延迟之间良好平衡的模型, 实验结果表明,该方法在多个视觉任务中始终优于现有的移动卷积神经网络模型,并且实现了更好的 mA - COLING增量式自然语言处理:挑战、策略与评估
该论文调查了自然语言处理中增量性的实现和评估方法,着重探讨了评估方案中需要考虑的权衡,旨在为人机交互提供更优秀的评估方法。
- 公平确定风险分数中的固有权衡
本研究讨论了关于算法分类的公正性的最近公众领域的讨论, 探讨了三种公平条件并证明除非在高度约束的特殊情况下,没有一种方法可以同时满足这三个条件,这些结果表明公正性的关键概念彼此不兼容,需要权衡其之间的关系。
- 限定时间成本下的卷积神经网络
本文研究在时间约束成本下,卷积神经网络的准确性和架构设计所需的权衡。通过一系列对比实验,得出一个在 ImageNet 数据集中准确率很高(11.8% 的 top-5 误差,10 视图测试),但比 AlexNet(16.0% 的 top-5