标签

 对比学习 

相关的文章:

本列表页提供了关于对比学习的最新研究成果和应用领域探索,包括图像压缩、半监督核实例分割、自监督学习、深度神经网络等方面的内容。欢迎了解更多关于对比学习的前沿知识和应用案例。

BriefGPT - AI 论文速递 -

对抗式课程图对比学习与配对数据增强

提出了一种创新的框架:对抗课程图对比学习(ACGCL),利用成对增强技术生成可控相似性的图级正负样本,并通过子图对比学习鉴别其中的有效图模式。ACGCL 框架内还设计了一种新颖的对抗课程训练方法,通过逐渐增加样本难度来促进渐进学习。最后,通过对六个知名基准数据集进行全面评估,ACGCL 显著超过一组最先进的基准。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

时间序列对比学习的参数增强

通过分析时间序列数据增强使用信息理论,并总结最常采用的增强方法,我们提出了一种参数增强的对比学习框架 AutoTCL,它可以自适应地支持时间序列表示学习,无缝集成在不同的主干编码器中,实验证明在一元预测任务和分类任务中,我们的方法分别比领先的基准方法平均降低 6.5% 和 4.7% 的误差,并提高 1.2% 的平均准确率。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

融合扩散加权磁共振成像和临床数据进行深度对比学习,用于预测急性缺血性卒中后的功能结局

基于扩散加权磁共振成像结合结构化健康档案的深度融合学习网络预测卒中患者的长期护理需求,在训练集上达到 0.87 的 AUC,0.80 的 F1 得分和 80.45% 的准确率,超过了目前医学领域中整合图像和结构化数据的现有模型,并且扩散加权磁共振成像能够与其他临床变量结合,在预测准确性上达到可比较的水平,从而更好地推广应用。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

在 MOOC 中建模平衡的显性和隐性关系,利用对比学习进行知识概念推荐

基于对比学习的 MOOC 知识概念推荐框架 (CL-KCRec) 能有效地表示和平衡 MOOC 中显式和隐式关系,提高知识概念推荐的性能,并满足用户的个性化需求。

本文提出了一种新的多层交叉视角对比学习机制MCCLK,包含全局结构视角、本地合作和语义视角。在语义视角中,还提出了一个k最近邻(kNN)项-项语义图构建模块。实验结果表明,该方法优于现有技术。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

利用对比学习提高基于令牌的上下文表示的效果:注入维基词典

我们调查了如何通过英语 Wiktionary 作为替代监督源来注入词汇,并测试了降维对生成的上下文词嵌入的影响。通过在无监督设置下(不使用训练集),我们在 Word-In-Context(WiC)任务中取得了新的 SoTA 结果,并提出了两个新的 WiC 测试集来展示我们的微调方法实现了显著的改进。同时,我们也观察到了语义框架归纳任务的改进,尽管程度适度。虽然我们的实验是在英语上进行的,以便与相关工作进行比较,但我们的方法适用于许多具有大型 Wiktionary 的语言。

本文研究了使用英语Wiktionary作为替代监督源来注入词汇,并测试了降维对生成的上下文词嵌入的影响。在无监督设置下取得了新的SoTA结果,并提出了两个新的WiC测试集来展示微调方法的改进。观察到语义框架归纳任务的改进。方法适用于具有大型Wiktionary的多种语言。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

联合端到端图像压缩和去噪:利用对比学习和多尺度自注意机制

本文提出了一种集成多尺度去噪器的新方法,用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性,采用对比学习的方式来提高网络区分噪声与高频信号的能力,实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。

本文提出了一种新的方法,集成多尺度去噪器,用于联合图像压缩和去噪。实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

边界感知的对比学习用于半监督核实例分割

本文提出了一种边界感知对比学习网络,用于去噪半监督核分割任务,并通过实验证明了该方法在现有半监督实例分割方法中的优越性。

我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法,最终纠正错误的预测结果,通过有针对性的验证训练过程识别不一致预测的区域并进行微调,从而提高上下文信息的利用;此外,为了自适应地调整网络的表示能力并降低预测不确定性,我们采用了自监督对比学习范式,利用网络的置信度区分可靠和不可靠的预测,并训练模型有效地最小化不可靠的预测;我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割,与最先进的方法相比,证明了我们方法的有效性。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

BotSSCL: 自监督对比学习中的社交机器人检测

我们提出了一种基于自监督对比学习的社交机器人检测框架(BotSSCL),通过利用对比学习在嵌入空间中区分社交机器人和人类,改善了线性可分性。BotSSCL 的高级表示增强了对数据分布变化的鲁棒性并确保了泛化性能。实验证明,BotSSCL 在两个数据集上的性能较其他监督、无监督和自监督基准方法都要高,并且在不同数据集间的测试也表现出较好的泛化性能。此外,BotSSCL 还提高了对抗复杂性,使对手在逃避检测方面的成功率只有 4%。

该文章介绍了一种基于自监督对比学习的社交机器人检测框架(BotSSCL),通过对比学习在嵌入空间中区分社交机器人和人类,改善了线性可分性。实验证明,BotSSCL 在两个数据集上的性能较其他监督、无监督和自监督基准方法都要高,并且在不同数据集间的测试也表现出较好的泛化性能。此外,BotSSCL 还提高了对抗复杂性,使对手在逃避检测方面的成功率只有 4%。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

对比扩散器:通过对比学习规划高回报状态

本文介绍了一种名为 CDiffuser 的新方法,通过引入回报对比机制来改善基础分布,将生成的轨迹中的状态推向高回报状态并远离低回报状态,实验证明该方法在 14 个常用的 D4RL 基准测试中是有效的。

扩散模型是一种新兴的生成模型,提高了样本质量和训练稳定性。本文总结了扩散模型在强化学习中的应用和挑战,并提出了进一步研究方向。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

探测 GPT 是否充分利用扰动?基于模型对比学习检测器选择性扰动更佳

我们提出了一种新的检测器,使用选择性策略扰动减轻了随机屏蔽引起的重要信息损失,并使用多对比学习来捕捉扰动过程中的隐含模式信息,从而提高少样本学习性能。在四个公共数据集上,实验证明,我们的模型在准确度上比 SOTA 方法平均提高了 1.20%。我们进一步分析了扰动方法的有效性、稳健性和泛化性。

AuthentiGPT是一个有效的分类器,用于区分机器生成的和人类编写的文本。通过添加人工噪声并比较去噪后的文本与原始文本,AuthentiGPT利用黑盒LLM来消除噪声,判断内容是否为机器生成。AuthentiGPT具有0.918 AUROC分数,显示其在检测机器生成文本方面的有效性和潜力。

相关推荐 去reddit讨论

热榜 Top10

...
天勤数据
...
LigaAI
...
Dify.AI
...
观测云
...
ShowMeBug
...
eolink
...
白鲸技术栈

推荐或自荐