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

本文通過一個分解的多階段、模塊化推理框架來解決視頻問答（videoQA）任務。以往的模塊化方法已經在視覺內容未涉及的單一規劃階段顯示出潛力。然而，通過一個簡單有效的基線，我們發現這樣的系統在實踐中對于具有挑戰性的視頻問答設置可能導致脆弱的行為。因此，與傳統的單階段規劃方法不同，我們提出一個包括事件解析器、基礎階段和最終推理階段以及外部存儲的多階段系統。所有階段都無需訓練，并通過大模型的少數次提示進行，每個階段都產生可解釋的中間輸出。通過分解基礎規劃和任務復雜性，我們的方法MoReVQA在標準視頻問答基準（NExT-QA、iVQA、EgoSchema、ActivityNet-QA）上超越了以往的工作，取得了最新的成果，并擴展到相關任務（基于視頻的問答、段落標題生成）。

GNN（圖神經網絡）基礎的推薦系統在捕捉復雜的用戶-物品交互方面表現出色，通過多跳消息傳遞實現。然而，這些方法往往未能考慮到用戶-物品交互的動態特性，導致在適應用戶偏好變化和新數據分布方面面臨挑戰。因此，它們在真實世界動態環境中的可擴展性和性能受到限制。在我們的研究中，我們引入了GraphPro，一個將動態圖預訓練與提示學習以參數高效的方式結合起來的框架。這種創新的結合使得GNN能夠熟練掌握持久的用戶偏好和短暫的行為變化，從而提供精確且最新的推薦。GraphPro通過將時間提示機制和圖結構提示學習機制整合到預訓練的GNN架構中，解決了用戶偏好變化的問題。時間提示機制將時間相關信息印刻到用戶-物品交互上，使模型能夠固有地吸收時間動態，而圖結構提示學習機制允許將預訓練的洞見應用于新的行為動態，而無需持續的重訓練。我們還引入了一個動態評估框架，用于推薦以更好地反映現實世界情況并縮小線下-線上差距。我們的全面實驗，包括在大規模工業環境中的部署，證明了GraphPro與各種領先推薦器的無縫插拔擴展性，凸顯了GraphPro在有效性、魯棒性和效率方面的優越性。我們的GraphPro實現細節和源代碼可在//github.com/HKUDS/GraphPro 倉庫中獲得。

通過提示，大規模預訓練模型變得更具表達力和威力，在近年來受到了顯著的關注。盡管這些大型模型具有零射擊能力，但總的來說，仍需要標簽數據來使它們適應下游任務。為了克服這個關鍵的限制，我們提出了一個無監督的微調框架，直接在未標記的目標數據上微調模型或提示。我們演示了如何通過對齊從提示和目標數據中提取的離散分布，將我們的方法應用于語言增強視覺和掩蔽語言模型。為了驗證我們的方法的適用性，我們在圖像分類、情感分析和自然語言推理任務上進行了大量實驗。在13個與圖像相關的任務和15個與語言相關的任務中，我們的方法都取得了比基線更好的一致性改善。PyTorch的代碼可以在//github.com/korawat-tanwisuth/POUF上找到。

將CLIP等對比圖像-文本預訓練模型用于視頻分類，因其成本效益和具有競爭力的性能而受到關注。然而，最近在這一領域的工作面臨一個權衡。對預訓練模型進行微調以實現強監督性能，會導致低零樣本泛化。類似地，凍結主干以保留零樣本能力會導致監督精度的顯著下降。因此，最近的文獻工作通常為監督和零樣本行為識別訓練單獨的模型。本文提出一種多模態提示學習方案，在單一統一訓練下平衡有監督和零樣本的性能。視覺方面的提示方法滿足了三個方面的需求:1)全局視頻級提示對數據分布進行建模;2)局部幀級提示，為每幀提供判別式條件;以及3)用于提取濃縮視頻表示的摘要提示。此外，在文本端定義了一個提示方案，以增強文本上下文。通過這種激勵方案，可以在Kinetics-600、HMDB51和UCF101上實現最先進的零樣本性能，同時在有監督的環境中保持競爭力。通過保持預訓練主干凍結，優化了更少的參數數量，并保留了現有的通用表示，這有助于實現強大的零樣本性能。我們的代碼/模型發布在//github.com/TalalWasim/Vita-CLIP.

我們提出了提示分布學習，以有效地適應一個預訓練的視覺語言模型，以解決下游的識別任務。我們的方法不僅從一些樣本中學習低偏差提示，而且還捕獲不同提示的分布，以處理不同的視覺表示。這樣，我們提供了高質量的任務相關內容，便于識別。這種快速分布學習是通過一種學習提示的輸出嵌入而不是輸入嵌入的有效方法實現的。因此，我們可以使用高斯分布來有效地建模，并導出有效訓練的替代損失。在12個數據集上的大量實驗表明，我們的方法始終和顯著地優于現有的方法。例如，與人工制作的提示相比，每個類別有一個樣本，它的平均結果相對提高了9.1%。

//www.zhuanzhi.ai/paper/0c6359fedd7bfc3067c0c0ddaf8a29f4

在不斷增長的分析服務領域上運行的生產系統通常需要為具有有限數據的新任務生成熱啟動解決方案模型。解決這一暖啟動挑戰的一個潛在方法是采用元學習來生成一個基礎模型，該模型可以通過最小的微調來解決看不見的任務。然而，這需要同步現有任務的以前解決方案模型的訓練過程。如果這些模型在不同實體擁有的私有數據上分別進行預訓練，并且不能同步地重新訓練，那么就不可能做到這一點。為了適應這種情況，我們開發了一種新的個性化學習框架，通過融合相關任務的獨立預訓練模型，為未見任務綜合定制模型。我們建立了該框架的性能保證，并在合成和真實數據集上證明了其有效性。

//proceedings.mlr.press/v139/lam21a.html

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

推薦系統作為人工智能的一個重要應用，是最普遍的計算機輔助系統之一，幫助用戶找到潛在的興趣項目。近年來，人工智能應用的公平性問題引起了研究人員的廣泛關注。這些方法大多假定實例獨立，并設計復雜的模型來消除敏感信息，以促進公平。然而，推薦系統與這些方法有很大的不同，因為用戶和商品自然形成一個用戶-商品二部圖，并且在圖結構中相互協作。在本文中，我們提出了一種新的基于圖的技術來保證任何推薦模型的公平性。這里的公平性要求指的是在用戶建模過程中不暴露敏感特性集。具體來說，給定任何推薦模型的原始嵌入，我們學習一組過濾器，這些過濾器將每個用戶和每個物品的原始嵌入轉換為一個基于敏感特征集的過濾嵌入空間。對于每個用戶，這種轉換是在以用戶為中心的圖的對抗學習下實現的，以便在過濾后的用戶嵌入和該用戶的子圖結構之間模糊每個敏感特征。最后，大量的實驗結果清楚地表明了我們所提出的模型在公平推薦方面的有效性。

//github.com/newlei/FairGo

圖神經網絡(GNNs)最近在圖學習方面取得了重大進展。盡管GNN具有豐富的表示能力，但對于大規模的社會建模應用來說，GNN的開發仍然相對不足。在線社交平臺中普遍存在的一種應用是好友推薦:平臺向用戶推薦其他候選用戶，以提高用戶的聯系性、留存率和參與度。然而，在大型社交平臺上建模這樣的用戶-用戶互動帶來了獨特的挑戰: 這些圖表通常有重尾度分布，其中很大一部分用戶是不活躍的，并且結構和參與信息有限。此外，用戶與不同的功能進行交互，與不同的組進行交流，并具有多方面的交互模式。我們研究了用于好友推薦的GNN應用，就我們所知，為這項任務提供了GNN設計的首次研究。為了充分利用平臺內異構用戶行為的豐富知識，我們將好友推薦設計為具有多模式用戶特征和鏈接傳播特征的多層面好友排名。我們提出了一個神經結構，GraFRank，它是精心設計的，從多種用戶特征形態和用戶-用戶交互中學習表達用戶表示。具體而言，GraFRank通過模態特定的鄰居聚合器處理模態同質性的異質性，并通過交叉模態關注學習非線性模態相關性。我們在兩個數百萬用戶的社交網絡數據集上進行了實驗，這些數據集來自領先和廣泛流行的移動社交平臺Snapchat，在候選檢索(30%的MRR)和排名(20%的MRR)任務上，GraFRank的表現優于一些最先進的方法。此外，我們的定性分析表明，低活躍度和低級別用戶的關鍵人群獲得了顯著收益。

最近，終身學習在構建不斷積累和轉移知識以幫助未來學習的機器學習系統方面引起了關注。無監督主題建模廣泛用于從文檔集合中發現主題。然而，由于數據稀疏性，例如，在一個小的(短)文檔集合中，會產生不連貫的主題和次優的文檔表示，主題建模的應用具有挑戰性。為了解決這個問題，我們提出了一個神經主題建模的終身學習框架，它可以連續處理文檔集流，積累主題，并通過從多個來源的知識轉移來指導未來的主題建模任務，以更好地處理稀疏的數據。在終身學習過程中，我們特別共同研究:(1)終生共享生成同源性(潛在話題)以轉移先驗知識，(2)通過新穎的選擇性數據增強、聯合訓練和話題正則化方法最小化保留過去學習的災難性遺忘。在給定一個文檔集合流的情況下，我們應用所提出的終身神經主題建模(LNTM)框架，將三個稀疏文檔集合建模為未來任務，并通過perplexity、Topic coherence和information retrieval task量化，證明了性能的提高。