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： Probability Calibration for Knowledge Graph Embedding Models

摘要： 知識圖譜嵌入的研究忽略了概率定標問題。我們展示了流行的嵌入模型確實是未經校準的。這意味著與預測三元組相關的概率估計是不可靠的。摘要針對知識圖譜中常見的情況，提出了一種新的校準模型的方法。我們建議在我們的方法的同時使用普拉特尺度和等滲回歸。在三個帶有地面真值負樣本的數據集上進行的實驗表明，與使用負樣本的黃金標準相比，我們的貢獻使模型得到了很好的校準。我們得到的結果顯著優于未校準的模型從所有校準方法。我們證明等滲回歸提供了最好的整體性能，而不是沒有權衡。我們還表明，經過校準的模型不需要定義特定于關系的決策閾值就可以達到最先進的精度。

自回歸文本生成模型通常側重于局部的流暢性，在長文本生成過程中可能導致語義不一致。此外，自動生成具有相似語義的單詞是具有挑戰性的，而且手工編寫的語言規則很難應用。我們考慮了一個文本規劃方案，并提出了一個基于模型的模仿學習方法來緩解上述問題。具體來說，我們提出了一種新的引導網絡來關注更長的生成過程，它可以幫助下一個單詞的預測，并為生成器的優化提供中間獎勵。大量的實驗表明，該方法具有較好的性能。

題目： Probabilistic Regression for Visual Tracking

簡介：

從根本上說，視覺跟蹤是在每個視頻幀中使目標狀態回歸的問題。盡管取得了重大進展，但跟蹤器仍然容易出現故障和不準確的情況。因此，至關重要的是在目標估算中表示不確定性。盡管當前的主要范式依賴于估計與狀態有關的置信度得分，但是該值缺乏明確的概率解釋，使它的使用變得復雜。因此，在這項工作中，我們提出了概率回歸公式，并將其應用于跟蹤。我們的網絡預測給定輸入圖像后焦油狀態的條件概率密度。至關重要的是，我們的配方能夠對由于任務中不正確的注釋和歧義而產生的標簽噪聲進行建模。通過最小化Kullback Leibler差異來訓練回歸網絡。當應用于跟蹤時，我們的公式不僅允許輸出的概率表示，而且還可以顯著提高性能。我們的跟蹤器在六個數據集上設置了最新的技術，在LaSOT上實現了59.8％的AUC，在Tracking Net上實現了75.8％的成功。可以在//github.com/visionml/pytracking獲得代碼和模型。

題目： CodeBERT: A Pre-Trained Model for Programming and Natural Languages

摘 要:

本文提出了一種用于編程語言(PL)和自然語言(NL)的預訓練模型CodeBERT。CodeBERT學習了支持下游NL-PL應用程序(如自然語言代碼研究、代碼文檔生成等)的通用表示形式。我們使用基于變壓器的神經結構來開發CodeBERT，并使用混合目標函數來訓練它，該混合目標函數合并了替換令牌檢測的訓練前任務，即檢測從生成器中采樣的可信替代。這使我們能夠利用NL-PL對的雙峰數據和單峰數據，前者為模型訓練提供輸入標記，而后者有助于更好地學習生成器。我們通過微調模型參數來評估CodeBERT在兩個NL-PL應用程序上的性能。結果表明，CodeBERT在自然語言代碼搜索和代碼文檔生成任務方面都實現了最先進的性能。此外，為了研究在CodeBERT中學習的知識的類型，我們構造了一個用于NL-PL探測的數據集，并在一個預先訓練的模型的參數固定的零距離設置中進行評估。結果表明，CodeBERT在NL-PL探測方面的性能優于之前的預訓練模型。

題目： Probabilistic Reasoning across the Causal Hierarchy?

摘要： 我們將關聯、干預和反事實的三層因果關系形式化為一系列概率邏輯語言，我們的語言具有嚴格的表達能力，第一種語言能夠表達定量概率推理，包括條件獨立和貝葉斯推理第二個是對因果關系的計算推理，第三個是對任意反事實查詢的完全表達式計算。我們給出了在結構因果模型和概率程序上完成的一系列相應的有限公理化，并證明了多項式的SAT可效度和有效性在多項式空間中是決定性的。

作者簡介： Thomas Icard，斯坦福人工智能實驗室附屬學院，哲學和計算機科學助理教授。個人主頁：//web.stanford.edu/~icard/

題目： Probabilistic Logic Neural Networks for Reasoning

摘要：

知識圖譜推理的目的是通過對觀測到的事實進行推理來預測缺失的事實，它在許多應用中起著至關重要的作用。傳統的基于邏輯規則的方法和近年來的知識圖譜嵌入方法都對這一問題進行了廣泛的探討。馬爾可夫邏輯網絡(MLN)是一種有原則的基于規則的邏輯方法，它能夠利用一階邏輯的領域知識，同時處理不確定性。然而，由于其復雜的圖形結構，MLNs的推理通常是非常困難的。與MLNs不同的是，知識圖的嵌入方法(如TransE、DistMult)學習有效的實體嵌入和關系嵌入進行推理，這樣更有效、更高效。然而，他們無法利用領域知識。在本文中，我們提出了概率邏輯神經網絡(pLogicNet)，它結合了兩種方法的優點。pLogicNet使用一階邏輯的馬爾可夫邏輯網絡定義所有可能的三聯體的聯合分布，該網絡可以通過變分EM算法進行有效優化。采用知識圖譜嵌入模型推斷缺失的三聯體，根據觀測到的三聯體和預測到的三聯體更新邏輯規則權值。在多個知識圖譜的實驗證明了pLogicNet在許多競爭基線上的有效性。

作者：

瞿錳是蒙特利爾學習算法研究所的一年級博士生，之前，在伊利諾伊大學香檳分校獲得了碩士學位，此外，在北京大學獲得了學士學位。主要研究方向為機器學習、貝葉斯深度學習、數據挖掘和自然語言處理。

論文題目

FEW SHOT LINK PREDICTION VIA META LEARNING

論文摘要

我們考慮了樣本鏈接預測的任務，其目標是僅使用一個小樣本的已知邊來預測多個圖中的未命中邊。但是，目前的鏈路預測方法通常不適合處理這項任務，因為它們無法在多圖環境中有效地在圖之間傳遞知識，也無法有效地從非常稀疏的數據中學習。為了應對這一挑戰，我們引入了一個新的基于梯度的元學習框架meta Graph，它利用高階梯度和一個學習的Graph sig nature函數來有條件地生成一個Graph神經網絡初始化，我們證明，元圖形不僅可以快速適應，而且可以更好地最終收斂，并且僅使用一小部分真實邊緣樣本就可以有效地學習。

論文作者

Avishek Joey Bose*來自麥吉爾大學。

主題： Tractable Probabilistic Models: Representations, Algorithms, Learning, and Applications

摘要： 在本教程中，我們將提供一個豐富的TPM文獻的額外說明，從有關混合和樹模型的開創性工作開始，到最新的表示，如概率電路。在這樣做的同時，我們將強調概率推理和學習中難處理性的來源，回顧不同可處理表示所采用的解決方案來克服它們，并討論它們是如何權衡以保證可處理性的。此外，我們將放大當前最先進的胎壓監測系統，分離并理解填充這一領域的模型（ACs、CNs、DNNFs、d-DNNFs、OBDDs、PSDDs、SDD、SPN等）的“字母湯”。我們將展示如何在一個統一的框架下將這些模型表示為概率電路，討論哪些結構屬性描述了每個模型類并實現了不同類型的可跟蹤性。我們將討論主要的算法范例，從數據中自動學習TPMs的結構和參數。最后，我們將展示幾個成功的應用場景，其中TPMs被用作替代或與難處理模型結合使用，包括圖像分類、完成和生成、場景理解、活動識別、語言和語音建模、生物信息學、協作過濾、驗證和診斷。

邀請嘉賓：

Guy Van den Broeck，是加州大學洛杉磯分校計算機科學系的助理教授和Samueli研究員，負責指導統計和關系人工智能（StarAI）實驗室。他的研究興趣是機器學習（統計關系學習、可處理學習、概率編程），知識表示和推理（概率圖形模型、提升概率推理、知識匯編、概率數據庫）和一般人工智能。蓋伊的作品獲得了UAI、ILP和KR等主要人工智能領域的最佳論文獎，并在AAAI獲得杰出論文榮譽獎。

Nicola Di Mauro，他自2005年起擔任巴里奧爾多莫羅大學計算機科學系助理教授，是拉康實驗室機器學習小組的成員。2005年，他在巴里-奧爾多-莫羅大學獲得博士學位。他的主要研究方向是統計關系學習、概率深度學習和機器學習及其應用。

Antonio Vergari，他目前是加州大學洛杉磯分校（UCLA）StarAI實驗室的博士后研究員，致力于整合可處理的概率推理和深度表示。此前，他是德國圖賓根馬克斯普朗克智能系統研究所的博士后，在那里，他致力于通過可處理的概率模型實現機器學習和數據科學的自動化。

論文題目：
Latent Relation Language Models

論文摘要： 在本文中，我們提出了潛在關系語言模型（LRLM），它是一類語言模型，它通過知識圖的關系參數化文檔中單詞和其中出現的實體的聯合分布。 該模型具有許多吸引人的屬性：它不僅提高了語言建模性能，而且還能夠注釋實體跨度對于關聯文本的后驗概率。 實驗表明，在基于單詞的基準語言模型和結合了知識圖譜信息的先前方法上，經驗性改進。 定性分析進一步證明了該模型在上下文中學習最佳預測適當關系的能力。