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。

現實世界中的對象頻率通常遵循冪次定律，導致機器學習模型所看到的具有長尾類分布的數據集與我們對模型在所有類上表現良好的期望之間的不匹配。我們從領域適應的角度來分析這種不匹配。首先，我們將現有的長尾分類的類平衡方法與目標移位相聯系，這是一個在領域適應方面得到充分研究的場景。這種聯系表明，這些方法隱含地假設訓練數據和測試數據共享相同的類條件分布，這種分布在一般情況下不成立，尤其是尾部類。雖然頭類可以包含豐富多樣的訓練示例，很好地表示推斷時的預期數據，但尾部類通常缺乏代表性的訓練數據。為此，我們建議通過元學習方法顯式地估計類條件分布之間的差異來擴充經典的類平衡學習。我們用6個基準數據集和3個損失函數驗證了我們的方法。

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。

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。

題目：

Transformation-based Adversarial Video Prediction on Large-Scale Data

簡介：

對抗式生成建模技術的最新突破使模型能夠生成高質量的視頻樣本，即使是在大型和復雜的真實視頻集上也是如此。在這項工作中，我們專注于視頻預測的任務，其中給定了從視頻中提取的幀序列，目標是生成合理的未來序列。我們首先通過對鑒別器分解進行系統的經驗研究并提出一種比以前的方法產生更快的收斂性和更高性能的體系結構來改善現有技術。然后，我們分析生成器中的循環單元，并提出一種新穎的循環單元，該單元根據預測的類似運動的特征轉換其過去的隱藏狀態，并對其進行優化以處理遮擋，場景更改和其他復雜行為。我們表明，該循環裝置始終優于以前的設計。最終模型導致了最先進性能的飛躍，在大規模Kinetics-600數據集上獲得的測試集Frechet′視頻距離從69.2降低到25.7。

題目： Bayesian Neural Networks With Maximum Mean Discrepancy Regularization

摘要： 貝葉斯神經網絡(BNNs)訓練來優化整個分布的權重，而不是一個單一的集合，在可解釋性、多任務學習和校準等方面具有顯著的優勢。由于所得到的優化問題的難解性，大多數BNNs要么通過蒙特卡羅方法采樣，要么通過在變分近似上最小化一個合適的樣本下界(ELBO)來訓練。在這篇論文中，我們提出了后者的一個變體，其中我們用最大平均偏差(MMD)估計器代替了ELBO項中的Kullback-Leibler散度，這是受到了最近的變分推理工作的啟發。在根據MMD術語的性質提出我們的建議之后，我們接著展示了公式相對于最先進的公式的一些經驗優勢。特別地，我們的BNNs在多個基準上實現了更高的準確性，包括多個圖像分類任務。此外，它們對權重上的先驗選擇更有魯棒性，而且它們的校準效果更好。作為第二項貢獻，我們提供了一個新的公式來估計給定預測的不確定性，表明與更經典的標準(如微分熵)相比，它在對抗攻擊和輸入噪聲的情況下表現得更穩定。

【導讀】紐約大學的Andrew Gordon Wilson和Pavel Izmailov在論文中從概率角度的泛化性對貝葉斯深度學習進行了探討。貝葉斯方法的關鍵區別在于它是基于邊緣化，而不是基于最優化的，這為它帶來了許多優勢。

貝葉斯方法的關鍵區別是邊緣化，而不是使用單一的權重設置。貝葉斯邊緣化可以特別提高現代深度神經網絡的準確性和校準，這是典型的不由數據完全確定，可以代表許多令人信服的但不同的解決方案。我們證明了深度集成為近似貝葉斯邊緣化提供了一種有效的機制，并提出了一種相關的方法，通過在沒有顯著開銷的情況下，在吸引域邊緣化來進一步改進預測分布。我們還研究了神經網絡權值的模糊分布所隱含的先驗函數，從概率的角度解釋了這些模型的泛化性質。從這個角度出發，我們解釋了那些對于神經網絡泛化來說神秘而獨特的結果，比如用隨機標簽來擬合圖像的能力，并證明了這些結果可以用高斯過程來重現。最后，我們提供了校正預測分布的貝葉斯觀點。

題目： Robust Multi-Model Fitting by Conditional Sample Consensus

摘要： 我們提出了一種基于噪聲測量的多參數模型的魯棒估計方法。應用包括在人造場景中尋找多個消失點，將平面擬合到建筑圖像中，或在同一序列中估計多個剛性運動。與以往的多模型檢測采用手工搜索策略相比，我們從數據中學習搜索策略。基于先前檢測到的模型的神經網絡將RANSAC估計器引導到所有測量的不同子集，從而一個接一個地找到模型實例。我們訓練我們的方法監督學習和自我監督學習。對于搜索策略的監督訓練，我們提供了一個新的消失點估計數據集。利用該數據集，所提出的算法優于其他魯棒估計器以及指定消失點估計算法。對于搜索的自監督學習，我們在多單應性估計上評估了所提出的算法，并證明其準確性優于最先進的方法。