Paper Today | Küçük örnek öğrenme; makine öğrenimi; tek görüntülü hata giderme; sıfır örnek hedef tespiti vb.
içindekiler
-
Küçük örneklem öğreniminin yeni sınıflandırmaları tanıma yeteneğini geliştirin
-
Makine öğrenimi "nasıl unutulacağını öğrenme"
-
Karmaşık şehirlerin arkasındaki basit mekansal ölçek kuralları
-
FD-GAN: Tek görüntü defogging için füzyon ayırıcılı üretken yüzleşme ağı
-
GTNet: Sıfır örneklem hedef tespiti için üretken geçiş ağı
Küçük örneklem öğreniminin yeni sınıflandırmaları tanıma yeteneğini geliştirin
Kağıt adı: Öğrenilmiş Özelliklere Yönelik Dönüşüm Yoluyla Alanlar Arası Az Atış Sınıflandırması
Yazar: Hung-Yu Tseng / Hsin-Ying Lee / Jia-Bin Huang / Ming-Hsuan Yang
Düzenlenme zamanı: 2019/9/26
Kağıt bağlantısı: https://paper.yanxishe.com/review/10295?from=leiphonecolumn_paperreview0212
Önerilen neden
Bu makale, küçük örnek öğrenmeyi, yani her kategori için yalnızca birkaç veya hatta bir örnek olduğunda nasıl sınıflandırılacağını öğrenmeyi inceler. Mevcut indeks tabanlı küçük numune sınıflandırma algoritmalarının tümü, tahmin edilecek numunenin özellik yerleştirmesini verilen numune ile karşılaştırmak için öğrenilmiş bir indeks fonksiyonu kullanır. Bu yöntemler umut verici sonuçlar vermiş olsa da, farklı kategorilerin özellik dağılımlarındaki büyük farklılıklar nedeniyle, bu tür yöntemler örnekleri yeni kategorilerden (verilen örneklerden farklı kategoriler) tam olarak ayırt edemez. .
Bu yazıda yazarlar, indeks tabanlı yöntem temelinde alan geçişi fikrini eklediler, görüntü özelliklerini geliştirmek için özellik düzeyinde dönüşüm katmanı + profilleme dönüşümünü kullandılar.Rol, eğitim sürecinde farklı alanlardaki farklılıkları simüle etmektir. Özellik dağıtımı. Yazarlar ayrıca dönüşüm katmanı için hiperparametreleri öğrenmek için bir "nasıl öğrenileceğini öğrenin" modülü tasarladılar. Yazarlar tarafından yapılan çok sayıda deney, yöntemlerinin çeşitli indeks tabanlı yöntemlere uygulanabileceğini ve istikrarlı performans iyileştirmeleri getirdiğini göstermektedir.
Makine öğrenimi "nasıl unutulacağını öğrenme"
Kağıt adı: Machine Unlearning
Yazar: Bourtoule Lucas / Chandrasekaran Varun / Choquette-Choo Christopher / Jia Hengrui / Travers Adelin / Zhang Baiwu / Lie David / Papernot Nicolas
Gönderme süresi: 2019/12/9
Kağıt bağlantısı:
https://paper.yanxishe.com/review/10275?from=leiphonecolumn_paperreview0212
Önerilen neden
Bir milyon veri parçası içeren bir makine öğrenimi modeli eğittiğinizi ve ardından veri sağlayıcısının bir gün size aniden bazı veri parçalarının sorunlu olduğunu veya şu anda kullanılmasına izin verilmediğini söylediğini varsayalım. Şimdi bu veri parçalarını eşleştirmeniz gerekiyor. Modelin etkisi iptal edildi. Sıfırdan yeni bir model eğitmekten başka bir yol var mı? Bu sorun, makine öğreniminin "öğrenmeyi önleme", Machine Unlearning, "nasıl unutulacağını öğrenme" dir.
Geleneksel aramada bir veri parçasını silmek kolaydır; ancak makine öğrenimi modelinde veriler model tarafından hatırlanacak ve saldırgan tarafından geri yüklenip elde edilme riski vardır; bazı koruma yöntemleri benimsense bile verilerin etkisi model haline gelir. Parametrelerin bir kısmını ayrı ayrı ayırmak zordur ve bu nedenle bunları ayrı ayrı elemek zordur. Dolayısıyla, verileri silmek istiyorsanız, genel uygulama temelde modeli yeniden eğitmektir.
Bu yazıda, yazarlar bu sorunu çözmek için yeni bir eğitim çerçevesi önermektedir. Yöntemleri, silinen verilerden etkilenen parametrelerin sayısını azaltabilir ve bu verileri unutma işlemi sırasında tüm modeldeki güncellemelerin sayısını azaltmak için eğitim algoritmasının ara aşamasının çıktısını önbelleğe alabilir. Bu tasarıma dayanarak, yöntemleri en kötü durumda bile veri unutma sürecinde hesaplama yükünü azaltır. Kullanıcılar bir öncelik sunabilirse, yöntemleri daha iyi sonuçlar elde edebilir. Yazarların araştırması, makine öğrenimi modellerinin pratik uygulamasında veri yönetimine yardımcı olabilir.
Karmaşık şehirlerin arkasındaki basit mekansal ölçek kuralları
Kağıt adı: Karmaşık şehirlerin arkasındaki basit uzamsal ölçeklendirme kuralları
Yazar: Ruiqi Li / LeiDong / JiangZhang / Xinran Wang / WenXu Wang / Zengru Di /H.Eugene Stanley
Yayın zamanı: 2017/11/28
Kağıt bağlantısı: https://paper.yanxishe.com/review/10274?from=leiphonecolumn_paperreview0212
Önerilen neden
Uzamsal çekime ve eşleşen büyüme mekanizmasına dayanan basit bir model aracılığıyla makale, evrensel süper doğrusal ve alt doğrusal genel ölçeklendirme yasalarının kökenine ilişkin genel bir açıklama sağlar ve kilometre düzeyinde sosyoekonomik etkinlikleri doğru bir şekilde tahmin eder. Kentsel unsurlar arasındaki etkileşim perspektifinden şehrin evrimini ortaya çıkarmanın yeni bir yolunu açar ve geniş bir uygulama yelpazesine sahiptir.
FD-GAN: Tek görüntü defogging için füzyon ayırıcılı üretken yüzleşme ağı
Bildiri Başlığı: FD-GAN: Tek Görüntü Gizleme için Füzyon Ayırıcılı Generative Adversarial Networks
Yazar: Dong Yu / Liu Yihao / Zhang He / Chen Shifeng / Qiao Yu
Gönderme süresi: 2020/1/20
Kağıt bağlantısı: https://paper.yanxishe.com/review/9629?from=leiphonecolumn_paperreview0212
Önerilen neden
Bu makale, görüntü bulanıklığı giderme sorunu dikkate alınarak AAAI 2020 tarafından kabul edildi.
Mevcut öğrenme tabanlı görüntü bulanıklaştırma yöntemlerinin çoğu tamamen uçtan uca değildir, ancak geleneksel buğu çözme adımlarını takip edin: önce iletim ortamını ve atmosferik ışığı değerlendirin ve ardından atmosferik saçılma modeline dayalı olarak sissiz görüntüyü geri yükleyin. Bununla birlikte, uygulamada, önceden bilgi ve kısıtlamaların olmaması nedeniyle, ara parametreleri doğru bir şekilde tahmin etmek zordur Yanlış tahmin, bulanıklık gidermenin etkisini zayıflatır, bu da yetersiz yapaylıklar, renk bozulması ve bulanıklık giderme ile sonuçlanır. Bu sorunları çözmek için bu makale, görüntü bulanıklığını gidermek için Fusion-discriminator (FD-GAN) ile tamamen uçtan uca Generative Adversarial Networks önermektedir. FD-GAN, daha doğal ve gerçekçi buğu çözme görüntüleri oluşturmak için ek ön bilgi olarak frekans bilgilerini kullanır. Ayrıca, bu makale, model performansını artırmak için farklı iç mekan ve dış mekan sisleme haritaları da dahil olmak üzere büyük ölçekli eğitim verilerini sentezler. Deneyler, FD-GAN'ın herkese açık sentetik veri kümeleri ve gerçek dünya görüntülerinde mevcut en iyi performansa ulaştığını gösteriyor.
GTNet: Sıfır örneklem hedef tespiti için üretken geçiş ağı
Bildiri Başlığı: GTNet: Zero-Shot Nesne Algılama için Generative Transfer Network
Yazar: Zhao Shizhen / Gao Changxin / Shao Yuanjie / Li Lerenhan / Yu Changqian / Ji Zhong / Sang Nong
Gönderme süresi: 2020/1/19
Kağıt bağlantısı: https://paper.yanxishe.com/review/9628?from=leiphonecolumn_paperreview0212
Önerilen neden
Bu makale, sıfır örnek hedef tespiti için bir Üretken Transfer Ağı (GTNet) önermektedir. GTNet, bir hedef tespit modülü ve bir bilgi aktarım modülü içerir. İlki, bilinen alan bilgisinin büyük bir kısmını öğrenebilirken, ikincisi, bilinmeyen özellik türlerini oluşturmak için sentezlenmiş özellikleri kullanır.Bu özellikler, hedef tespit modülünde yeni bir sınıflandırma katmanı eğitmek için kullanılır. Her bilinmeyen sınıf için özellikleri sentezlemek için sınıf içi varyans ve IoU varyansını kullanmak için, bu makale bir özellik sentezleyici olarak IoU tabanlı bir üretken yüzleşme ağı IoUGAN tasarlar: sınıf özellik oluşturma birimi, ön plan özellik oluşturma birimi ve Arka plan özelliği oluşturma birimi. Sınıf özelliği oluşturma birimi, konum özelliklerini oluşturmak için sınıf semantik yerleştirmeye dayalı olarak sınıf içindeki varyans bilgilerini kullanır.Ön plan özellik oluşturma birimi ve arka plan özelliği oluşturma birimi, sırasıyla belirtilen sınıf ön plan ve arka plan özelliklerini elde etmek için sınıf özelliği oluşturma biriminin sonucuna IoU varyansını ekler. . Halka açık veri setlerine ilişkin değerlendirme, bu makalede önerilen GTNet'in mevcut en iyi sıfır örnek hedef tespit yöntemlerinden daha üstün olduğunu göstermektedir.
Makale yazar ekibinin işe alınması
AI Araştırma Enstitüsü, yapay zeka gençlerinin çoğuna daha iyi hizmet verebilmek için resmi olarak yeni bir "Tez" bölümü başlattı ve tezleri, önerileri, yorumları ve yorumları sıralayan makaleler aracılığıyla yapay zeka öğrencilerini ve gençleri bir araya getirmek için "ilgi çekici noktalar" olarak kullanmayı umdu ve kod yeniden üretildi. Yurtiçinde ve yurtdışında en son araştırma sonuçlarının incelenmesi, tartışılması ve yayınlanması için bir buluşma yeri olmaya ve mükemmel bilimsel araştırmaların daha geniş çapta yayılmasına ve tanınmasına izin vermeye kararlıdır.
Akademisyenleri sevenlerin, makale yazarlarından oluşan ekibimize katılmanızı umuyoruz.
Alabilirsiniz
1. Adınızın yazdığı bir makale sizi en göz kamaştırıcı akademik yıldız yapacak
2. Zengin ücret
3. AI ünlü şirketleri, konferans bileti avantajları, özel çevre birimleri vb.
Bildiri yazarı ekibine katılmak için ihtiyacınız olan:
1. Favori makalelerinizi araştırma kulübü üyelerinin çoğuna önerin
2. Tez yorumu yazın
AI Araştırma Enstitüsü'nün yarı zamanlı makale yazarı ekibine katılmaya hazırsanız, operasyon kadının WeChat hesabını ekleyebilir ve "Yarı zamanlı makale yazarı" notunu yazabilirsiniz.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
