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

題目：

Con?dence-Aware Learning for Deep Neural Networks

簡介：

盡管深度神經網絡可以執行多種任務，但過分一致的預測問題限制了它們在許多安全關鍵型應用中的實際應用。已經提出了許多新的工作來減輕這個問題，但是大多數工作需要在訓練和/或推理階段增加計算成本，或者需要定制的體系結構來分別輸出置信估計。在本文中，我們提出了一種使用新的損失函數訓練深度神經網絡的方法，稱為正確排名損失，該方法將類別概率顯式規范化，以便根據依據的有序等級更好地進行置信估計。所提出的方法易于實現，并且無需進行任何修改即可應用于現有體系結構。而且，它的訓練計算成本幾乎與傳統的深度分類器相同，并且通過一次推斷就可以輸出可靠的預測。在分類基準數據集上的大量實驗結果表明，所提出的方法有助于網絡產生排列良好的置信度估計。我們還證明，它對于與置信估計，分布外檢測和主動學習密切相關的任務十分有效。

主題： Laplacian Change Point Detection for Dynamic Graphs

摘要： 動態圖和時間圖是豐富的數據結構，用于對實體之間的復雜關系進行建模，尤其是時間圖的異常檢測是現實世界中至關重要的應用，例如網絡系統中的入侵識別，生態系統擾動的檢測和流行病的檢測。在本文中，我們專注于動態圖的變化點檢測，并解決與該問題相關的兩個主要挑戰：I）如何跨時間比較圖快照，II）如何捕獲時間依存關系。為了解決上述挑戰，我們提出了拉普拉斯異常檢測（LAD），它使用每個快照上圖結構的拉普拉斯矩陣的頻譜來獲得低維嵌入。 LAD通過應用兩個滑動窗口顯式地對短期和長期依賴性進行建模。在合成實驗中，LAD的性能優于最新方法。我們還將在三個真實的動態網絡上評估我們的方法：UCI消息網絡，美國參議院共同贊助網絡和加拿大法案投票網絡。在所有三個數據集中，我們證明了我們的方法可以根據重大的現實事件更有效地識別異常時間點。

目標檢測和數據關聯是多目標跟蹤系統的關鍵組成部分。盡管這兩個組件高度依賴于彼此，但MOT中的一個流行趨勢是將檢測和數據關聯作為單獨的模塊執行，并按級聯順序處理。由于這種級聯過程，所生成的MOT系統只能執行前向推理，而不能將錯誤反向傳播到整個管道并進行糾正。這導致整個管道的性能低于最佳水平。為了解決這個問題，最近的工作聯合優化了檢測和數據關聯，并形成了一個綜合的MOT方法，已被證明提高了檢測和跟蹤的性能。為此，我們提出了一種基于圖神經網絡(GNNs)的聯合MOT方法。該方法的關鍵思想是，GNNs能夠在空間和時間域內顯式地建模多個目標之間的復雜交互，這對于學習識別特征進行檢測和數據關聯至關重要。我們還利用了運動特征與外觀特征一起使用時對MOT有用這一事實。因此，我們提出的聯合MOT方法也將外觀和運動特征納入我們的基于圖的特征學習框架，從而使MOT更好地學習特征。在MOT挑戰數據集上的大量實驗表明，我們提出的方法在目標檢測和MOT檢測上都取得了最先進的性能。

最近發布的GPT-3讓我對NLP中的零學習和小樣本的狀態產生了興趣。雖然大多數的零樣本學習研究集中在計算機視覺，也有一些有趣的工作在NLP領域。

我將會寫一系列的博文來涵蓋現有的關于NLP零樣本學習的研究。在這第一篇文章中，我將解釋Pushp等人的論文“一次訓練，到處測試:文本分類的零樣本學習”。本文從2017年12月開始，首次提出了文本分類的零樣本學習范式。

什么是零樣本學習?

零樣本學習是檢測模型在訓練中從未見過的類的能力。它類似于我們人類在沒有明確監督的情況下歸納和識別新事物的能力。

例如，我們想要做情感分類和新聞分類。通常，我們將為每個數據集訓練/微調一個新模型。相比之下，零樣本學習，你可以直接執行任務，如情緒和新聞分類，沒有任何特定的任務訓練。

一次訓練，隨處測試

本文提出了一種簡單的零樣本分類方法。他們沒有將文本分類為X類，而是將任務重新組織為二元分類，以確定文本和類是否相關。

//amitness.com/2020/05/zero-shot-text-classification/

每天都有數以百萬計的新聞文章在網上發布，這對讀者來說是難以承受的。將報道同一事件的文章分組成新聞報道是幫助讀者進行新聞消費的一種常見方式。然而，如何高效、有效地為每一個故事生成一個有代表性的標題仍然是一個具有挑戰性的研究問題。文檔集自動摘要的研究已經有幾十年的歷史了，但是很少有研究關注于為一組文章生成具有代表性的標題。摘要的目的是用最少的冗余捕獲最多的信息，而標題的目的是短篇幅捕獲由story文章共同共享的信息，并排除對每一篇文章過于具體的信息。在這項工作中，我們研究的問題，產生具有代表性的新聞故事標題。我們開發了一種遠監督方法來訓練大規模的沒有任何人工標注的生成模型。這種方法集中在兩個技術組件上。首先，我們提出了一個多層次的預訓練框架，該框架融合了大量不同質量的未標記語料庫。我們證明，在這個框架內訓練的模型比那些使用純人類策展語料庫訓練的模型表現得更好。其次，我們提出了一種新的基于自投票的文章注意層來提取多篇文章共享的顯著信息。我們證明了該層模型對新聞中潛在的干擾具有較強的魯棒性，無論是否存在干擾，其性能都優于已有的基線。我們可以通過合并人類標簽來進一步增強我們的模型，我們展示了我們的遠監督方法，這大大減少了對標簽數據的需求。

主題： Machine Learning based Anomaly Detection for 5G Networks

摘要：

保護未來網絡將是一個具有挑戰性的領域，因為網絡安全威脅日益增加，物聯網(IoT)造成的攻擊面不斷擴大，網絡異構性增加，虛擬化技術和分布式架構的使用增加。本文提出了SDS(軟件定義安全)作為一種手段來提供一個自動化的、靈活的、可擴展的網絡防御系統。SDS將利用當前機器學習的進步，設計一個使用NAS(神經結構搜索)檢測異常網絡流量的CNN(卷積神經網絡)。SDS可以應用于入侵檢測系統，為5G網絡創建更主動和端到端防御。為了驗證這一假設，我們使用CNN采集并分析了模擬環境中的正常和異常網絡流。該方法的結果是有希望的，因為該模型識別良性流量的準確率為100%，異常流量的檢出率為96.4%。這證明了網絡流分析對各種常見惡意攻擊的有效性，也為檢測加密惡意網絡流量提供了一個可行的選擇。

地址： //arxiv.org/abs/1811.00770

假新聞檢測是自然語言處理中一個重要而又具有挑戰性的問題。社交網絡平臺的迅速崛起，不僅極大地增加了信息的可及性，也加速了假新聞的傳播。鑒于網絡內容的海量性，自動檢測假新聞是所有網絡內容提供商都需要解決的一個實際的NLP問題。本文對虛假新聞的檢測進行了綜述。我們的調查介紹了自動識別假新聞的挑戰。我們系統地回顧了為這項任務所開發的數據集和NLP解決方案。我們還討論了這些數據集和問題公式的限制、我們的見解和建議的解決方案。

題目

雙向圖卷積神經網絡謠言檢測，Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks

關鍵字

雙向圖卷積神經網絡，社交媒體節點圖，謠言檢測，深度學習，圖模型

簡介

社交媒體以其傳播新信息的特性在公眾中得到了迅速的發展，導致了信息的傳播。與此同時，在社交媒體上從如此海量的信息中發現謠言正成為一個巨大的挑戰。因此，一些深度學習方法被應用于通過謠言傳播的方式發現謠言，如遞歸神經網絡（RvNN）等。然而，這些深度學習方法只考慮了深度傳播的模式，而忽略了謠言檢測中的寬擴散結構。實際上，謠言的傳播和傳播是謠言的兩個重要特征。本文提出了一種新的雙向圖模型，即雙向圖卷積網絡（bi GCN），通過自上而下和自下而上兩種方式來揭示謠言的傳播特性。它利用帶有自上而下有向流言傳播圖的GCN來學習流言傳播模式；利用帶有有向流言傳播圖的GCN來捕獲流言傳播結構。此外，來源帖子的信息被卷入到GCN的每一層，以增強謠言根源的影響。在多個基準上的令人鼓舞的經驗結果證實了所提出的方法比最新方法的優越性。

作者 Tian Bian,Xi Xiao,Tingyang Xu,Peilin Zhao,Wenbing Huang,Yu Rong,Junzhou Huang，來自清華大學和騰訊人工智能實驗室。

摘要： 現有的不流利檢測方法大多嚴重依賴人工標注的數據，而在實踐中獲取這些數據的成本很高。為了解決訓練數據的瓶頸，我們研究了將多個自監督任務相結合的方法。在監督任務中，無需人工標記就可以收集數據。首先，我們通過隨機添加或刪除未標記新聞數據中的單詞來構建大規模的偽訓練數據，并提出了兩個自我監督的訓練前任務:(i)標記任務來檢測添加的噪聲單詞。(ii)對句子進行分類，區分原句和語法錯誤句子。然后我們將這兩個任務結合起來共同訓練一個網絡。然后使用人工標注的不流利檢測訓練數據對訓練前的網絡進行微調。在常用的英語交換機測試集上的實驗結果表明，與以前的系統(使用完整數據集進行訓練)相比，我們的方法只需使用不到1%(1000個句子)的訓練數據，就可以獲得具有競爭力的性能。我們的方法在全數據集上進行訓練，明顯優于以前的方法，在英語Switchboard上將錯誤率降低了21%。