亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

近年來，人們致力于提高推薦系統的準確性和相關性。多樣性是衡量所推薦項目之間差異的一個關鍵因素，但很少受到仔細研究。與用戶滿意度直接相關的是，在生成候選條目后，多樣化通常被考慮在內。然而，這種多樣化和候選生成的解耦設計使得整個系統處于次優狀態。在本文中，我們的目標是利用圖卷積網絡(GCN)將多元化推至上游候選生成階段。盡管基于GCN的推薦算法在建模復雜的協同過濾效果以提高推薦的準確性方面表現出了巨大的能力，但在這些先進的工作中，多樣性變化是如何被忽略的。我們提出在GCN的基礎上執行重新平衡的鄰居發現、類別增強的負采樣和對抗學習。我們在真實世界的數據集上進行大量的實驗。實驗結果驗證了本文方法的有效性。進一步的消融研究驗證了我們提出的方法顯著緩解了準確性-多樣性的困境。

//fi.ee.tsinghua.edu.cn/public/publications/b344fd48-92b0-11eb-96bc-0242ac120003.pdf

特定領域的知識庫(KB)從各種數據源精心整理而來，為專業人員提供了寶貴的參閱咨詢。由于自然語言理解和人工智能的最新進展，會話系統使這些KBs很容易被專業人員訪問，并且越來越受歡迎。盡管在開放域應用程序中越來越多地使用各種會話系統，但特定于域的會話系統的需求是完全不同的，而且具有挑戰性。在本文中，我們針對特定領域的KBs提出了一個基于本體的對話系統。特別是，我們利用領域本體中固有的領域知識來識別用戶意圖，并利用相應的實體來引導對話空間。我們結合了來自領域專家的反饋來進一步細化這些模式，并使用它們為會話模型生成訓練樣本，減輕了會話設計人員的沉重負擔。我們已經將我們的創新集成到一個對話代理中，該代理關注醫療保健，這是IBM Micromedex產品的一個特性。

//dl.acm.org/doi/abs/10.1145/3318464.3386139

從語義描述中識別視覺類別是一種很有前途的方法，它可以擴展視覺分類器的能力，使其超越訓練數據中所表示的概念(即看到的類別)。這個問題是由(廣義的)零樣本學習方法(GZSL)解決的，它利用語義描述將它們連接到所看到的類別(例如，標簽嵌入，屬性)。傳統的GZSL主要是為了目標識別而設計的。在本文中，我們關注于零樣本場景識別，這是一個更具挑戰性的設置，有數百個類別，它們的差異可能是微妙的，通常在特定的物體或區域。傳統的GZSL表示不夠豐富，無法捕獲這些局部差別。針對這些限制，我們提出了一個具有兩個新組件的特征生成框架:1)多源語義信息(即屬性、單詞嵌入和描述)，2)可以增強場景識別的區域描述。為了生成綜合的視覺特征，我們提出了兩步生成方法，其中局部描述采樣和使用作為條件來生成視覺特征。生成的特征被聚合并與真實的特征一起用來訓練一個聯合分類器。為了對該方法進行評價，我們引入了一種新的具有多語義標注的零樣本場景識別數據集。在該數據集和SUN屬性數據集上的實驗結果表明了該方法的有效性。

//vipl.ict.ac.cn/homepage/jsq/publication/2020-Song-ACMMM.html

零樣本學習依賴語義類表示，如屬性或預訓練的嵌入來預測類，而不需要任何標記示例。我們提出從常識知識圖譜學習類表示。常識知識圖譜是顯性高級知識，它只需要很少的人力投入就可以應用到一系列任務中。為了捕獲圖中的知識，我們引入了ZSL-KG，這是一個基于圖神經網絡的框架，帶有非線性聚合器來生成類表示。盡管之前大多數關于圖神經網絡的工作都是使用線性函數來聚合鄰近節點的信息，但我們發現，非線性聚合器(如LSTMs或transformer)可以顯著改善零目標任務。在跨三個數據集的兩個自然語言任務中，ZSL-KG顯示出與最先進的方法相比平均提高9.2點的準確性。此外，在對象分類任務上，ZSL-KG與不需要手工設計類表示的最佳方法相比，精度點提高了2.2。最后，我們發現ZSL-KG在這四個數據集上的平均準確率比使用線性聚合器的最佳圖神經網絡高出3.8點。

主題： Heterogeneous Graph-based Knowledge Transfer for Generalized Zero-shot Learning

摘要： 廣義零樣本學習（GZSL）解決了同時涉及可見類和不可見類的實例分類問題。關鍵問題是如何有效地將從可見類學習到的模型轉換為不可見類。GZSL中現有的工作通常假設關于未公開類的一些先驗信息是可用的。然而，當新的不可見類動態出現時，這種假設是不現實的。為此，我們提出了一種新的基于異構圖的知識轉移方法（HGKT），該方法利用圖神經網絡對GZSL、不可知類和不可見實例進行知識轉移。具體地說，一個結構化的異構圖，它是由所見類的高級代表節點構造而成，這些代表節點通過huasstein-barycenter來選擇，以便同時捕獲類間和類內的關系，聚集和嵌入函數可以通過圖神經網絡來學習，它可以用來計算不可見類的嵌入，方法是從它們的內部遷移知識。在公共基準數據集上的大量實驗表明，我們的方法達到了最新的結果。

現有的知識蒸餾方法主要集中在卷積神經網絡(convolutional neural networks~， CNNs)上，其中圖像等輸入樣本位于一個網格域內，而處理非網格數據的graph convolutional networks~(GCN)則在很大程度上被忽略。在這篇論文中，我們提出從一個預先訓練好的GCN模型中蒸餾知識的第一個專門方法。為了實現知識從教師到學生的遷移，我們提出了一個局部結構保留模塊，該模塊明確地考慮了教師的拓撲語義。在這個模塊中，來自教師和學生的局部結構信息被提取為分布，因此最小化這些分布之間的距離，使得來自教師的拓撲感知的知識轉移成為可能，從而產生一個緊湊但高性能的學生模型。此外，所提出的方法很容易擴展到動態圖模型，其中教師和學生的輸入圖可能不同。我們使用不同架構的GCN模型，在兩個不同的數據集上對所提出的方法進行了評估，并證明我們的方法達到了GCN模型最先進的知識蒸餾性能。

論文摘要：傳統監督學習通常假設訓練數據類別標記恒定、特征信息充分、樣本充 足。但很多現實的機器學習任務不滿足這些假設條件，導致學習效果不盡人 意。為此，本文考慮通過引入增廣信息 (Augmented Information) 進行學習。增 廣信息包括傳統靜態學習中未考慮的額外信息以及動態學習過程中出現的新信 息。本文主要工作如下：

1. 提出了一種訓練集標記增廣學習方法 GLOCAL。該方法利用標記關系對多 標記訓練數據中部分缺失的標記進行恢復補全，但無需額外的先驗知識來 指定標記關系矩陣，而是在優化過程中同時習得全局和局部標記關系。實 驗驗證了本文方法的有效性。
2. 提出了分別用于靜態、動態測試集標記增廣學習的方法 DMNL 和 MuENL。 DMNL 通過最小化多示例包級損失和聚類正則化項，預測靜態測試集中的多 個新標記；MuENL 通過特征和預測值訓練新標記檢測器并建立魯棒模型， 以檢測動態新增的標記并對其建模。實驗驗證了本文方法的有效性。
3. 提出了一種多示例特征增廣學習方法 AMIV-lss。 針對數據特征信息不足 的學習問題，將額外獲取的帶噪信息形式化為增廣多示例視圖 (AMIV) 作為 樣本的特征增廣。AMIV-lss 通過在兩個異構視圖之間建立公共隱藏語義 子空間，減少噪聲影響，提升學習性能。實驗驗證了本文方法的有效性。
4. 提出了一種多視圖樣本增廣學習方法 OPMV。 OPMV 通過對每個樣本優化 視圖一致性約束下的組合目標函數，即可隨著新增多視圖數據高效更新模 型，并能夠利用視圖之間結構提升學習性能，而無需存儲整個數據集，避 免從頭進行訓練。理論和實驗驗證了本文方法的有效性和高效性。
5. 提出了同時進行標記/特征/樣本增廣學習的方法 EM3NL。EM3NL 基于多視 圖多示例多標記深度卷積神經網絡，利用額外文本描述作為圖片的補充 (特 ii 征增廣)，能夠檢測新標記 (標記增廣)，并可根據動態增加的樣本即時更新 模型 (樣本增廣)。實驗驗證了本文方法的有效性。

關鍵詞： 機器學習；增廣學習；增廣信息；多標記學習；新標記學習；多視圖 學習；單趟學習

作者介紹：朱越，他是南京大學計算機科學與技術學院五年級博士生，也是LAMDA集團的成員。在此之前，他于2011年獲得了計算機科學與技術的理學學士學位，并于2013年在周志華教授的指導下獲得了理學碩士學位。2015年3月至2015年9月，他拜訪了香港科技大學James T. Kwok的小組。

近年來，零樣本學習（ZSL，zero-shot learning）已經在大量的任務中受到了廣泛的關注。大多數機器學習方法，均側重于那些訓練集中廣泛存在的樣本進行分類。但現實場景中，許多的任務需要對從未見過的樣本進行分類。零樣本學習是一種非常強大的學習范式，本篇綜述，首先，概述了零樣本學習，根據學習過程中使用到的數據模型，我們將其劃分為三種學習類型；第二，描述了零樣本學習過程中所采用的不同語義空間；第三，對現有零樣本學習方法進行了分類，并在每個類別下介紹了具有代表性的方法；第四，討論了零樣本學習的不同應用方向；最后，我們介紹了零樣本學習的未來研究方向。