- 图顶点嵌入:距离、正则化和社区检测
本文研究图嵌入的质量以及其在社区检测方面的有效性,通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离,将顶点嵌入作为距离矩阵的变换结果进行分析,并在多个基准数据集上进行评估。结果表明,该方法操作于降维表示,使得计算复杂度大为减少,且性能与传统 - 工业物联网智能赋能智能制造:一项文献综述
这篇论文提供了一个关于 IIoT 智能化的综合概述,研究了制造业转型的必然性和成功经验,并分析了 IIoT 智能化在各个方面的价值,提出了一个包括五层的分层发展架构,并讨论了加速制造业转型的七种技术以及未来研究的挑战和发展趋势。
- 用于流动性流动性流动的柔性尾部,应用于金融回报数据建模
我们提出了一种能够改变分布的尾部特性的转换,受到极值理论的启发,它可以作为正则化流的一层,近似多变量重尾分布。我们将此方法应用于金融回报建模,捕捉可能在这类数据中出现的极端冲击。训练后的模型可以直接用于生成新的具有潜在极端回报的合成数据集。
- SyMOT-Flow: 学习最大均值差异下的两个任意分布的最优输运流
介绍了一种名为 SyMOT-Flow 的新型模型,通过最小化两个未知分布样本之间的对称最大均值差异,训练可逆转换,并结合最优传输成本作为正则化以获得短距离和可解释的转换,从而导致更稳定和准确的样本生成。
- CVPR基于 Transformer 的学习优化
本文提出了一种新的学习优化方法,其中采用神经网络表示优化器更新步骤的计算,优化器的参数通过训练一组优化任务来学习,以实现高效的最小化。创新之处在于,它是一种新型的神经网络架构,“Optimus”,对学习到的优化器进行了改进,启发自经典的 B - PaLM: 基于路径的语言建模规模化
通过使用 Pathways ML 系统训练 PaLM,我们证明了模型规模对少样本学习的影响,PaLM 540B 在大量语言理解、生成基准测试中取得了突破性表现,并在多步推理任务中超越了微调表现,另外还有强大的多语种任务和源代码生成能力,以及 - NL-Augmenter: 一个任务敏感的自然语言增强框架
本文介绍了 NL-Augmenter—— 一个基于 Python 的自然语言增强框架,支持创建转换和筛选器,同时提供 117 个转换和 23 个筛选器,以增强模型中的数据。我们演示了 NL-Augmenter 的有效性,并使用其转换来分析流 - 正则多面体网络
本文提出了一种新的分类器设计方法,该方法通过将分类器设置为固定且不可训练的方式,通过利用三个正多面体的对称性生成固定的特征向量,来使嵌入具有稳定性和最大分离性,并通过实验验证了该方法改善和扩展了其他形式的固定分类器,提高了性能和收敛速度。
- CVPR基于转换的视觉推理
本文提出一种新的基于转变的视觉推理范式来解决现有的视觉推理方法无法揭示动态推断的局限性,并构建了一个新的数据集 TRANCE,在单步和多步情况下评估了该范式的效果,结果表明该新方法将推动机器视觉推理模型的发展。
- CVPR属性 - 物体组合中的对称性和群
本文提出了 SymNet,基于群论的对称性原理的一个变换框架,该框架可以实现进行零样本学习和组合共生关系识别。利用对称性学习,可用于复杂转换的组合,其表现优于现有技术。
- AAAI因果模型的抽象化
该论文研究了因果模型的抽象概念,提出了一系列逐步严格的模型定义,并表明微变量组合成宏变量的过程是强抽象概念的实例,其中所有的示例都属于 Rubenstein 等人考虑过的分类之一。
- 大规模图像来源分析
该研究提出了一种端到端的图像来源分析流程,可在实际规模下完成。它包括基于计算机视觉技术的图像过滤、获取表达图像祖先关系的图源图等方案,并在现有数据集上进行了综合实验和结果对比。此外,该研究还介绍了一个来自社交媒体网站 Reddit 的真实来 - NIPSCycleGAN,隐写大师
CycleGAN 可以学习到将两个图像分布之间的转化,并且会将源图像信息隐藏在其生成的图像中,从而保证了循环一致性,然而其通过循环一致性来保证生成的图像真实性导致了其容易受到对抗攻击的影响。
- 使用强化学习进行预测建模的特征工程
本文提出了一种新的自动化特征工程框架,基于性能驱动的改变图探索,通过强化学习之前的案例导出高效的探索策略以自动化特征工程,从而减少预测模型的成本。
- ICML合成鲁棒性对抗性样本
研究发现标准的神经网络产生对抗样本的方法在面临视角改变、噪声和其他自然变换的情况下无法在物理世界中持续地欺骗神经网络分类器,但此研究成功演示了存在强韧性的三维对抗性目标,提出了第一个能在所选择的转换分布中产生对抗性示例的算法,制造了首批物理 - 流形高斯过程回归
本研究提出了一种新的监督学习方法,Manifold Gaussian Processes,该方法通过联合学习将数据转换为特征空间,并从特征空间到观测空间建立了 GP 回归模型,实验结果表明该方法适用于包括非光滑函数和机器人任务等不规则函数。
- ICML多视角特征学习
本文提供了多视角特征学习的分析,显示隐藏变量编码变换通过在多个图像扭曲之间共享的特征空间中检测旋转角度,我们的分析有助于解释最近的实验结果,表明在视频上训练复杂的细胞模型时,特定于变换的特征会出现,同时还表明在学习变换表示的副产品之一是归一 - 基于 IHS 变换的图像融合
研究论文探讨了不同的 IHS 转换技术并将其用于图像融合,并使用多种方法定量评估融合图像的质量和信息改善程度。