içindekiler
Çok ölçekli kendi kendini denetleyen temsil ile küçük örneklem öğreniminin performansını iyileştirin
Derin öğrenmeye dayalı bir haber öneri sisteminin nasıl tasarlanıp kullanılacağı hakkında daha fazla bilgi edinin
Geometri GCN
Sağlamlığı artırmak için çok kanallı kodlama
Sağduyu öykülerinden oluşturulan bilgi destekli eğitim öncesi model
Çok ölçekli kendi kendini denetleyen temsil ile küçük örneklem öğreniminin performansını iyileştirin
Kağıt adı: Çok Ölçekli Kendi Kendini Denetleme ile Birkaç Çekim Öğrenimi
Yazar: Zhang Hongguang / Torr Philip H. S. / Koniusz Piotr
Gönderme süresi: 2020/1/6
Kağıt bağlantısı: https: //paper.yan xi o .com / inceleme / 9112
Derin öğrenmenin popülerliğinden bu yana, büyük miktarda veri gerektirme özelliği sıklıkla eleştirilmektedir.Bazı insanlar, insan zekasının belirli bir görevi veya belirli bir kavramı öğrenmek için yalnızca birkaç örneğe veya hatta bir örneğe ihtiyaç duyduğuna dikkat çekmiştir - bu küçük örneklemdir. Birçok araştırmacı bu yönde çok çalışıyor. Son zamanlarda, "ikinci dereceden havuzlama" yöntemi, küçük örneklem öğrenmede çok iyi bir rol oynamıştır, çünkü esas olarak toplama işlemi, CNN ağını değiştirmeden çeşitli farklı görüntüleri işleyebilir. Çözünürlük, aynı zamanda temsili ortak özellikler bulurken.
Bununla birlikte, her bir görüntüyü öğrenirken (tüm veri kümesindeki tüm görüntülerin çözünürlüğü farklı olsa bile) tek bir çözünürlük kullanmak en uygun yöntem değildir, çünkü her görüntünün içeriği tüm görüntünün granülerliğiyle karşılaştırılır. Sabit değildir. Aslında bu, içeriğin kendisinden ve görüntü etiketinden etkilenir.Örneğin, yaygın büyük ölçekli nesnelerin sınıflandırılması daha çok genel görünüm ve şekle bağlıyken, ince taneli nesnelerin sınıflandırılması daha çok görüntüdeki yerel doku desenine bağlıdır. Bu nedenle, çok ölçekli temsil kavramı, farklı sınıflandırma ayrıntılarını daha iyi idare etmek için görüntü bulanıklaştırma, süper çözünürlük ve hedef tanıma gibi görevlerde tanıtılmıştır.
Bu yazıda, yazarlar küçük örneklemli öğrenmede çok ölçekli temsili tanıtmaya çalıştılar. Üstesinden gelmeleri gereken temel zorluk, standart yöntemlerin kullanımını çok karmaşık hale getiren çok ölçekli temsillerden kaçınmaktır. Yöntemleri, küçük örneklemli öğrenmede görüntü ilişkilerini tahmin etmek için kullanılan ikinci dereceden havuzlamanın niteliklerine dayalı yeni bir tür çok ölçekli ilişkisel ağ tasarlamaktır. Yazarlar ayrıca modelin performansını optimize etmek için bir dizi yöntem tasarladılar. Sonunda, birkaç küçük örnekli öğrenme veri setinde en iyi sonuçları elde ettiler.
Derin öğrenmeye dayalı bir haber öneri sisteminin nasıl tasarlanıp kullanılacağı hakkında daha fazla bilgi edinin
Bildiri Başlığı: CHAMELEON: Haber Öneri Sistemleri için Derin Öğrenme Meta Mimarisi
Yazar: Moreira Gabriel de Souza Pereira
Gönderme süresi: 2019/12/29
Kağıt bağlantısı: https: //paper.yan xi o .com / inceleme / 9113
Bu, Embraer Havacılık ve Teknoloji Enstitüsü'nden bir doktora tezidir; derin öğrenmeye dayalı bir haber öneri sisteminin tasarım yöntemini tartışır - belirli bir mimariyi tartışmaz, ancak "meta-mimari" olan mimarinin nasıl tasarlanacağını tartışır. .
Haber öneri sistemleri günümüzde birçok medya platformunun vazgeçilmezidir.Kullanıcılara beğendikleri içeriği (ve reklamları) önermek, daha iyi bir göz atma deneyimi elde etmelerini ve ticari açıdan kullanıcı aktivitesini ve aktivitesini artırmalarını sağlayacaktır. Ortalama kullanım süresi.
Bir doktora tezi olarak bu tez, tavsiye sistemlerinin arka planını tanıtmak, mevcut haber tavsiye sistemlerini karşılaştırmak ve tavsiye sistemlerinde derin öğrenmenin temel bilgilerini tanıtmak dahil olmak üzere haber tavsiye sistemlerinin alt alanında ayrıntılı bir araştırma ve tartışma yaptı. Yazarın ana araştırma sonucu, derin öğrenmeye dayalı haber öneri sisteminin "meta mimarisi" (sistem tasarım yöntemi) CHAMELEON'un belirli kullanım gereksinimlerine göre tasarlanabileceğidir. Modüler bir akıl yürütme yapısı içerir ve farklı sinir ağı temel bileşenleri özel olarak seçilebilir. Yazar, CHAMELEON'un özelliklerini ve uygulama fikirlerini ve ayrıca soğuk çalıştırma senaryoları için çözümleri ayrıntılı olarak tanıttı.
Bu görevi ayrıntılı olarak anlamakla ilgilenen araştırmacıların yanı sıra, bir öneri sistemi tasarlayan veya tasarlamayı planlayan geliştiriciler için bu makale son derece yüksek referans değerine sahiptir.
Geometri GCN
Makale Başlığı: Geom-GCN: Geometric Graph Convolutional Networks
Yazar: Hongbin Pei / Bingzhe Wei / Kevin Chen-Chuan Chang / Yu Lei / Bo Yang
Gönderme süresi: 2020/1/1
Kağıt bağlantısı: https: //paper.yan xi o .com / inceleme / 8990
Bu yazıda, ICLRL2020'nin sözlü, grafik sinir ağının en son gelişmesidir. Yazar, orijinal grafiği grafik embe ile geçirir gg Ining teknolojisi, gizli bir alana eşlenir ve gizli alanda benzerliğe göre yeni bir grafik oluşturulur. Bu şekilde, her düğümün komşuları orijinal grafiğe ve benzerlik grafiğine bölünebilir Benzerlik üzerindeki komşular, orijinal grafik komşularının k-mertebesindeki komşuları olabilir, böylece yüksek sıralı düğüm benzerliği korunabilir. Öte yandan yazar, düğümler arasındaki kolektif ilişkiyi algılayabilen ve komşuları toplarken düğümler arasındaki kolektif ilişkiyi göz önünde bulundurabilen bir toplayıcı da tasarladı. Özet olarak, Geom-GCN, GNN'nin iki temel problemini çözer. Deneyler, bu makalede önerilen algoritmanın mevcut GCN ve GAT'ı büyük ölçüde aşabileceğini göstermektedir.
Sağlamlığı artırmak için çok kanallı kodlama
Kağıt adı: Sağlamlık için Çok Yönlü Kodlama
Yazar: Kim Donghyun / Bargal Sarah Adel / Zhang Jianming / Sclaroff Stan
Gönderme süresi: 2019/6/5
Kağıt bağlantısı: https: //paper.yan xi o .com / inceleme / 9214
Bu makale, kodlama yoluyla modelin sağlamlığının artırılması sorunu dikkate alınarak WACV 2020 tarafından kabul edildi.
Derin modeller, birçok bilgisayarla görme görevinde (görüntü sınıflandırması ve hedef tespiti gibi) büyük başarılar elde etti, ancak bu modeller rakip örneklere karşı savunmasız. Bu makale, One-Hot kodlamanın bu durumun doğrudan nedeni olduğunu kanıtlamakta ve farklı çıktı kodlaması ve çok kanallı kodlama kullanılarak yeni bir yöntem önermektedir, kaynak model ve hedef model ilintisizleştirilebilir, böylece Hedef modeli daha güvenli hale getirin. Yeni önerilen bu yöntem, saldırganların karşı saldırı gerçekleştirmek için yararlı gradyanlar bulmasını zorlaştırıyor. MNIST, CIFAR-10, CIFAR-100 ve SVHN veri kümelerine yapılan kara kutu ve beyaz kutu saldırılarında, bu makalede önerilen yöntemlerin tümü modelin sağlamlığını geliştirmektedir.
Sağduyu öykülerinden oluşturulan bilgi destekli eğitim öncesi model
Bildiri Başlığı: Sağduyu Öyküsü Oluşturma için Bilgiyle Geliştirilmiş Ön Eğitim Modeli
Yazar: Guan Jian / Huang Fei / Zhao Zhihao / Zhu Xi aoyan / Huang Minlie
Gönderme süresi: 2020/1/15
Kağıt bağlantısı: https: //paper.yan xi o .com / inceleme / 9217
Bu makale Tsinghua ve Beihang Üniversitesinden gelmektedir ve İşlemler Hesaplamalı Dilbilim Derneği tarafından kabul edilmiştir ve hikaye oluşturma konusunu ele almaktadır.
Öykü oluşturma, bir girdi bağlamından makul bir öykü üretmeyi ifade eder. GPT-2 gibi mevcut sinirsel dil üretme modelleri, metin akıcılığı ve yerel alaka düzeyinde ilerleme kaydetti, ancak oluşturulan hikayelerde tekrarlama, mantıksal çatışma ve uzun vadeli alaka eksikliği gibi kusurlar yine de olacak. Bu makale, bu kusurların, ilgili sağduyu eksikliğinden ve nedenselliği anlayamama ve dolayısıyla varlıkları ve olayların sırasını normal sırayla makul bir şekilde planlayamamasından kaynaklandığına inanıyor. Bu nedenle, bu makale bilgi ile zenginleştirilmiş bir eğitim öncesi model tasarlar ve dış bilgi tabanlarından elde edilen sağduyudan makul hikayeler üretir. Makul bir öyküde cümleler arasındaki nedensel ve zamansal bağımlılıkları daha fazla yakalamak için, bu makale, ciddi ve yanlış öyküleri ince ayar sürecine ayırabilen ayırt edici bir nesnel işlevi birleştirmek için çok görevli bir öğrenme yöntemi kullanır. Otomatik ve manuel değerlendirmeler, bu makalede önerilen yöntemin mantık ve küresel korelasyon açısından mevcut en iyi kıyaslamalardan 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 yaygın olarak yayılmasına ve tanınmasına izin vermeye kararlıdır.
Akademisyenleri sevenlerin, makale yazarları ekibimize katılmanızı umuyoruz.
Bildiri yazar ekibine girebilirsiniz
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 yorumunu yazın
AI Araştırma Enstitüsü'nün yarı zamanlı makale yazarı ekibine katılmaya hazırsanız, ameliyat bayanın mikro kız kardeşini ekleyebilir ve "Yarı zamanlı makale yazarı" notunu yazabilirsiniz.