- CVPR双重记忆网络:视觉语言模型的通用适应方法
通过引入双重记忆网络,本文介绍了一种全能的适应性方法,可以在零样本调整、少样本调整和无需训练的少样本调整三种设置下有效工作。
- 带有希尔伯特表示的基础政策
通过学习结构化表示并利用方向性移动跨越学习的潜在空间,我们提出了一种新的无监督框架,用于从无标签的离线数据中预训练能够捕捉多样化、最优且长程行为的通用策略,并可以在零样本方式下快速适应任意新任务。在模拟机器人的运动和操作基准测试中的实验证明 - ICML非静态环境下的多模态技能单次模仿
通过探索复杂任务的组合性,我们提出了一种新颖的基于技能的模仿学习框架,实现了一次性模仿和零次适应,能够从单个演示中学习复杂任务,并针对随时间变化的环境隐藏动力学优化行动序列,通过视觉 - 语言模型学习语义技能集合,并使用动力学推断来实现零次 - AAAISemTra: 跨领域零样本策略适应的语义技能转换器
该研究探索了语义技能的零 - shot 适应能力,在跨领域环境中,在交织的多模态片段中,通过用户输入可触发不同领域的新的远程任务。通过语义技能翻译框架 SemTra,该框架利用一组多模态模型从片段中提取技能,并利用预训练语言模型的推理能力将 - 基于语言条件的语义搜索导向的机器人操作任务策略
我们提出了一种基于语言条件的语义搜索方法,从可用的示范数据集中获取在线搜索策略,在 CALVIN 基准测试中超过了基线性能,并展现了强大的零样本适应能力,对于扩展基于在线搜索策略的任务具有巨大的潜力。
- 多功能安全强化学习的约束条件策略优化
我们提出了一种适用于实际动态应用的 Conditioned Constrained Policy Optimization (CCPO) 框架,通过引入 Versatile Value Estimation (VVE) 和 Conditio - ICCV相似性极值化:零样本昼夜领域自适应
低光条件下影响人类视觉体验并降低模型在下游视觉任务中的性能。本文挑战了更复杂的零样本白天 - 夜晚领域适应情景,通过图像级别和模型级别的相似性最大化、最小化来优化模型具有更好的泛化能力,显著提高了模型适应性。
- DarSwin: 扭曲感知径向 Swin Transformer
本文提出了一种基于变压器的新型模型 DarSwin,可以自适应宽角镜头所产生的畸变,并对各种畸变进行了零样本适应。与其他基线相比,DarSwin 在中度和高度畸变水平下获得了最佳结果,并且在低度和非常低度的畸变水平下与现有技术相媲美。
- 零样本异常检测无需基础模型
本文探讨异常检测中的零样本适应问题,并提出了一种简单而高效的基于批归一化和元训练的零样本异常检测方案,在表格数据和图像数据中获得了最新的表现。
- 零样本 Sim2Real 环境自适应
提出了使用 Reverse Action Transformation(RAT)策略的方法来解决模拟到现实世界之间的转换问题,并且和其他基线模型相比,在连续控制任务中可实现零样本适应。
- 通过控制源和模糊匹配交互来改进检索增强的神经机器翻译
提出了一种新的方法,控制源句子和前 K 模糊匹配目标语言句子之间的交互,用于零样本自适应的机器翻译模型,实验证明该方法超越了以前的方法,提高了 BLEU 的分数,并在多个语言对和领域上进行了测试。
- FlexLip:一种可控的文本转唇型系统
本文中,我们提出了一个名为 FlexLip 的模块化、可控的文本生成唇形的系统,该系统分为两个模块:文本转语音和语音转唇形,并对其进行了深入的评估和测试,尤其是在新讲话者的快速适应方面进行了探究。
- 学习先看再动:用于操作的视觉预训练
使用迁移学习框架,通过对视觉网络和物体操作网络进行预训练和微调,成功地实现了零经验机器人对物体的拾取任务,且只需少量的机器人经验即可获得更好的效果。
- ACL零样本语义解析指令
本文提供了一个新的数据集,旨在解决零样本语义分析和训练算法,并通过增加特征和逻辑形式候选筛选逻辑,从而支持零样本适应。实验结果表明,该算法在多种零样本适应环境中展现出显著的性能提升。
- EMNLP可转移潜变量的零 - shot 跨语言对话系统
本文针对零资源的多语言任务导向对话系统进行零样本自适应的提出,使用极少量的平行语词来优化对齐的跨语言词级表示,并采用潜变量模型处理不同语言间类似句子的变化,实验表明,我们的模型在零样本情况下对自然语言理解任务的适应性优于当前最先进的模型。
- 通过本地对齐分布式表示进行循环神经网络的持续学习
本文提出了一种基于局部表示对齐算法训练的并行时间神经编码网络 (P-TNCN),用以解决通过时间反向传播所存在的困难和问题,比如序列建模基准测试中表现优异,具有零 - shot 适应能力和在线连续序列建模的能力。