- 元任务:元学习正则化的另一种视角
该论文提出了一种新颖的解决方案,可以在有限标注数据情况下,能够在训练和新任务中进行有效泛化,并利用未标注样本进行元任务实施未监督技术,实验结果表明该方法在新任务和训练任务中表现良好,并具有更快,更好的收敛性,较低的泛化和标准差误差,表明其在 - SlotGNN:无监督发现多物体表示和视觉动态
利用无监督技术从视觉数据中学习多对象动态是一项具有挑战性的任务。本文提出一种新的框架,通过机器人交互学习可以学到稳健的对象表示的两个新架构:SlotTransport 用于从 RGB 图像中发现对象表示,SlotGNN 用于从 RGB 图像 - 通过生成性潜在优化解决图像反问题
在稀疏投影 CT 上测试,通过与现有的基于分数的策略相比,使用多个训练数据集大小,cGLO 提供了更好的重建质量以及对于较小的训练数据集和减少的投影角度展现出逐渐增加的性能优势。此外,cGLO 不需要任何反向操作,甚至可以拓展应用于非线性的 - 非监督式异质传感器信号变点检测
本文介绍无监督变点检测技术,该方法适用于处理各种数据源,无需大量标注数据,并针对多项评估标准比较不同算法。
- PC-SwinMorph:无监督医学图像配准和分割的补丁表示
本文提出了一种名为 PC-SwinMorph 的新型统一无监督框架,旨在使用基于补丁的策略进行医学图像配准和分割,其中包括对比度策略和自我关注策略,并通过数值和视觉结果证明其优于当前的无监督方法。
- 无监督深度学习对社交媒体上政治倾向的精细预测
本文提出了一种新颖的无监督技术,可以从社交媒体文章的文本内容中学习微观的政治倾向,并在两项有挑战性的分类任务中实现了最佳结果。
- 预训练模型中的常识知识挖掘
使用预训练的双向语言模型将关系三元组转换为掩码句子,通过估计点间互信息来排名三元组的有效性,从而开发了一种生成常识知识的方法。该方法在新源中挖掘常识知识时优于显式训练的模型,说明无监督技术比目前的有监督方法更具推广性。
- 基于系统级溯源的无监督高级持续性威胁检测基线
本研究评估了无监督的批量式和流式异常检测算法的有效性,通过对记录在四个不同操作系统上的多个 GB 的溯源跟踪进行检测,以确定它们是否能够可靠和高效地检测类似 APT 攻击。这是关于通用无监督异常检测技术在此环境中有效性的首个详细研究。
- ICCV无监督视频插值技术基于循环一致性
本文提出了一种基于循环一致性和伪监督的无监督技术,用于实现从低帧率视频直接合成高帧率视频。实验证明,该技术可以在不使用任何额外数据的情况下,显著提高预先训练模型在新目标域上的性能,从而大幅增加 PSNR 值。
- 关键词抽取综述
介绍了关键词提取的作用和方法,并对现有工作进行了综述和对不同评估方法进行了分析,重点在数字信息管理系统中使用关键词提取的效果和流行的无监督技术进行了实验研究。
- ACL具有对立极性的单词情感组成
本文研究了带有至少一个积极词和至少一个消极词的短语的情感组合,构建了一个对应数据集并分析其中的语言模式,并应用多种无监督和有监督技术,最终得到了一种准确率超过 80% 的最佳情感组合系统。
- 从词到义项嵌入:对意义向量表示的调查
此研究综述了分布式语义表示的理论背景,介绍了从单词级别向更精细的词义级别转化的方法,并提供了对两种主要分支进行的广泛技术概述;最终,对其重要方面进行了分析与评估。
- 关系抽取:综述
本文介绍了关系抽取(RE)的若干重要的监督、半监督和无监督技术,以及开放信息抽取(OIE)和远程监督的范例,最后描述了近期 RE 技术和未来研究方向。这篇综述对于领域的新手、研究人员和实践者都有用。
- 使用序列标注的关键词提取
本文提出了一种序列标注方法,将关键短语提取问题变为一个更自然的建模方式,并表明标注模型相比现有最先进的提取方法具有显著的性能优势。