- ICML贝叶斯循环回归的 von Mises 准过程
本文介绍了一种用于预测圆形值的回归模型,探讨了与高斯过程相关的一族表达且可解释的分布。该模型密度简单,具有最大熵,通过引入一种新的 Stratonovich-like augmentation,可以进行快速的 Markov Chain Mo - 通过传导提升视觉语言模型
TransCLIP 是一种新颖且计算效率高的跨模态转导方法,通过集成文本编码知识和引导转导学习过程的 KL 散度惩罚来改善感知模型的性能。
- 主动少样本微调
我们研究了大型神经网络在下游任务中的主动少样本微调问题。我们证明了少样本微调是传统主动学习、转导式主动学习的一种泛化,并提出了信息导向的转导学习(ITL)方法,该方法通过适应性采样来最大化对指定下游任务的信息获取。在一般正则性假设下,我们证 - 一种肝癌数字组织病理学切片分类的转导式少样本学习方法
本文提出了一种新的方法,利用少样本学习对 2D 组织学病理学图像进行分类。通过在组织学切片上应用滑动窗口技术,我们揭示了转导学习(即在补丁上进行联合预测)在实现一致准确分类中的实际效益。我们的方法采用基于优化的策略,主动惩罚每个窗口内大量不 - 正规化与最优多类学习
这项研究的目的是在多类学习中表征正则化的作用,并使用一种最优学习算法来控制模型容量,该算法与结构风险最小化、最大熵原理和贝叶斯推理相结合。同时引入一种新的学习者,通过在无监督学习阶段学习正则化器,实现结构风险最小化的放松,以及推导学习问题的 - 自适应参数原型学习用于跨领域少样本分类
开发了一种新颖的适应性参数原型学习(APPL)方法,应用于跨领域少样本分类任务,在元学习的框架下,通过对查询集进行基于原型的正则化来元学习模型,并采用加权移动平均自训练方法在目标领域进行传导式微调,实验证明 APPL 在多个跨领域少样本数据 - ICML大规模图的快速在线节点标记
该研究提出一种基于在线松弛技术的 FastONL 算法,使用广义本地推方法有效逼近逆矩阵列,并针对一系列流行核提出近似算法,本文还证明了合适参数化图核被选中时可以实现有效的后悔,具体表现为 O (k 根号 (n^(1+γ)))。
- 探索图神经网络的泛化理解
研究了图神经网络在泛化上的机制,建立了高概率边界和其对泛化差距和梯度的影响,得出结论和实验证据相符的新认识。
- MrTF:用于转导联邦学习的模型优化器
我们提出了一种称为 transductive federated learning (TFL) 的新型学习范式,通过模型炼金术的流程,同时考虑待推断数据的结构信息和数据异构性问题,在满足隐私保护政策的前提下,对新收集的数据进行推断,并且通过 - 面向任务自适应的伪标签跨领域元学习
本文提出了一种基于任务自适应伪标记的跨领域学习方法,通过标签传播从有标记的 support 集生成伪标签,进而有效地利用未标记的 query 集,相比归纳式学习方法,该方法在适应过程中能处理更多示例,从而提高模型的分类性能,实验证明该方法优 - CVPRMED-VT:多尺度编码器 - 解码器视频 Transformer 及其在对象分割中的应用
本文提出了一种统一的多尺度编码 - 解码变形器,重点针对视频中的密集预测任务,利用编码器和解码器的多尺度表示提取时空特征以及进行精确的定位,同时采用多对多标签传播的转导学习方案,实现高精度视频对象分割和演员 / 动作分割。
- CVPR双向分布对齐用于跨领域归纳零样本学习
该论文提出了一种名为 Bi-VAEGAN 的模型,通过增强视觉和辅助空间之间的分布对齐来大大改善了领域转移的问题,在使用四个数据集进行基准评估时,在标准和普遍的 TZSL 设置下均达到了最新的艺术水平。
- 推荐系统在实践中的应用:面向归纳学习和增量更新
本研究论文对推荐系统进行了综述,并指出现有方法的局限性,即很多方法只针对已有数据进行学习,难以应用于新用户或物品,同时也难以动态更新。因此,未来应该发展基于归纳学习和增量更新的推荐模型,并提出了未来研究的方向和待解决的问题。
- 通过双空间一致采样的正交编码特征生成进行迁移学习开放集识别
提出了一个迭代的迁移学习框架,名为 IT-OSR,用于开放集识别问题,其核心包括可靠性采样、特征生成和基线更新模块,并且在标准化数据集和交叉数据集设置中,通过引入具有典型交归开放集问题的数据集上两种典型的归纳 OSR 方法来获得了比 15 - 自学习:一项调查
本文介绍了二元和多类分类的自学习方法及其变体,并探讨了一些新的方法。我们评估了这些方法在不同的基准分类数据集上的表现,并提出了未来研究的思路。这是首个完整分析的经验综述。
- ACL适用于超出最坏情况对手的 Oracle 高效在线学习
本文探讨了在线学习的超出最坏情况分析的 Oracle 高效算法,着重于平滑分析设置和 K 提示移项学习。
- ICLR评估透过迁移学习所学习的神经网络的鲁棒性
本文从威胁分析视角出发,对基于转导学习的防御机制进行了系统评估,并提出了攻击模型空间的原则,通过这一原则设计的攻击框架 Greedy Model Space Attack 可以作为评估转导学习防御机制的新基准。同时,本文发现在考虑的攻击方式 - EMNLP半监督文本风格转换的传导学习
本研究提出了一种基于检索的上下文感知风格表示的传导学习方法,使用具有检索器框架的注意力编码器 - 解码器,并涉及目标风格中前 K 个相关句子,以减轻非一致性问题。经实验证明,该方法优于几种强基线方法,并且具有广泛且有效的传导学习方法适用于无 - ACLBertGCN:结合 GCN 和 BERT 的跨领域文本分类
本研究提出了 BertGCN 模型,它将大规模预训练和传导学习相结合,用于文本分类中。BertGCN 在数据集上构建异构图,并使用 BERT 表示将文档表示为节点。通过同时训练 BertGCN 中的 BERT 和 GCN 模块,该模型能够利 - 神经符号程序综合在 Web 问答中的应用
本文提出了一种基于程序合成的技术,用于从网页中提取信息,其使用神经符号 DSL、优化合成算法和转导学习等技术,可实现对不同领域的多个任务的有效信息提取,并显著胜过现有的提问回答模型和包装器归纳系统。