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： Relation Adversarial Network for Low Resource Knowledge Graph Completion

摘要： 知識圖譜補全(Knowledge Graph Completion, KGC)是一種通過鏈接預測或關系提取來填充缺少的鏈接來改進知識圖譜的方法。KGC的主要困難之一是資源不足。之前的方法假設有足夠訓練的三元組來學習實體和關系的通用向量，或者假設有足夠數量的標簽句子來訓練一個合格的關系提取模型。然而，在KGs中，少資源關系非常普遍，這些新增加的關系往往沒有很多已知的樣本去進行訓練。在這項工作中，我們的目標是在具有挑戰性的環境下只有有限可用的訓練實例預測新的事實。我們提出了一個加權關系對抗性網絡的通用框架，它利用對抗性過程來幫助將從多資源關系中學習到的知識/特征調整為不同但相關的少資源關系。具體地說，該框架利用了一個關系鑒別器來區分樣本和不同的關系，幫助學習更容易從源關系轉移到目標關系的關系不變量特征。實驗結果表明，該方法在少資源設置下的鏈路預測和關系提取都優于以往的方法。

題目： Composition-Based Multi-Relational Graph Convolutional Networks

摘要： 圖卷積網絡(GCNs)最近被證明在對圖結構數據建模方面是非常成功的。然而，主要的重點是處理簡單的無向圖。多關系圖是一種更為普遍和流行的圖，其中每條邊都有一個與之相關的標簽和方向。現有的大多數處理此類圖的方法都存在參數過多的問題，并且僅限于學習節點的表示形式。在本文中，我們提出了一種新的圖卷積框架COMP-GCN，它將節點和關系共同嵌入到一個關系圖中。COMP-GCN利用知識圖譜嵌入技術中的各種實體關系組合操作，并根據關系的數量進行擴展。它還概括了幾種現有的多關系GCN方法。我們評估了我們提出的方法在多個任務，如節點分類，鏈接預測，和圖分類，并取得了明顯的結果。

題目： Correspondence Networks with Adaptive Neighbourhood Consensus

摘要：

在這篇論文中，我們處理的任務是在包含相同類別物體的圖像之間建立緊密的視覺對應。這是一個具有挑戰性的任務，因為類內部變化很大，并且缺乏密集的像素級注釋。我們提出了一種卷積神經網絡結構，稱為鄰域自適應一致網絡(ANC-Net)，它可以通過稀疏的關鍵點注釋進行端到端的訓練來應對這一挑戰。該算法的核心是非各向同性的四維卷積核，構成了鄰域自適應一致的魯棒匹配模塊。為了使所學習的特征對類內變化具有魯棒性，我們還引入了一個簡單有效的多尺度自相似模型。此外，我們提出了一種新的正交損失來加強一對一匹配的約束。我們徹底地評估了我們的方法在各種基準上的有效性，在這些基準上，它的性能大大優于最先進的方法。

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。

元學習的研究越來越受到學者們的重視，從最初在圖像領域的研究逐漸拓展到其他領域，目前推薦系統領域也出現了相關的研究問題，本文介紹了5篇基于元學習的推薦系統相關論文，包括用戶冷啟動推薦、項目冷啟動推薦等。

1. MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation

本文提出了一種新的推薦系統，解決了基于少量樣本物品來估計用戶偏好的冷啟動問題。為了確定用戶在冷啟動狀態下的偏好，現有的推薦系統，如Netflix，在啟動初向用戶提供物品選擇，我們稱這些物品為候選集。然后根據用戶選擇的物品做出推薦。以往的推薦研究有兩個局限性：(1) 只有少量物品交互行為的用戶推薦效果不佳，(2) 候選集合不足，無法識別用戶偏好。為了克服這兩個限制，我們提出了一種基于元學習的推薦系統MeLU。從元學習中，MeLU可以通過幾個例子快速地應用于新任務，通過幾個消費物品來估計新用戶的偏好。此外，我們提供了一個候選集合選擇策略，以確定自定義偏好估計的區分項目。我們用兩個基準數據集對MeLU進行了驗證，與兩個對比模型相比，該模型的平均絕對誤差至少降低了5.92%。我們還進行了用戶研究實驗來驗證選擇策略的有效性。

2. Meta-Learning for User Cold-Start Recommendation 冷啟動問題是對實際推薦系統的長期挑戰。大多數現有的推薦算法依賴于大量的觀測數據，對于很少交互的推薦場景來說是脆弱的。本文用少樣本學習和元學習來解決這些問題。我們的方法是基于這樣一種見解，即從幾個例子中有一個很好的泛化，依賴于一個通用的模型初始化和一個有效的策略來使這個模型適應新出現的任務。為了實現這一點，我們將場景指定的學習與模型無關的序列元學習結合起來，并將它們統一到一個集成的端到端框架中，即場景指定的序列元學習者（或s^2 Meta）。我們的元學習器通過聚合來自各種預測任務的上下文信息來生成一個通用的初始模型，同時通過利用學習到的知識來有效地適應特定的任務。在各種現實世界數據集上的實驗表明，我們提出的模型可以在在線推薦任務中獲得對冷啟動問題的最好效果。

3. Sequential Scenario-Specific Meta Learner for Online Recommendation

冷啟動問題是對實際推薦系統的長期挑戰。大多數現有的推薦算法依賴于大量的觀測數據，對于很少交互的推薦場景來說是脆弱的。本文用少樣本學習和元學習來解決這些問題。我們的方法是基于這樣一種見解，即從幾個例子中有一個很好的泛化，依賴于一個通用的模型初始化和一個有效的策略來使這個模型適應新出現的任務。為了實現這一點，我們將場景指定的學習與模型無關的序列元學習結合起來，并將它們統一到一個集成的端到端框架中，即場景指定的序列元學習者（或s^2 Meta）。我們的元學習器通過聚合來自各種預測任務的上下文信息來生成一個通用的初始模型，同時通過利用學習到的知識來有效地適應特定的任務。在各種現實世界數據集上的實驗表明，我們提出的模型可以在在線推薦任務中獲得對冷啟動問題的最好效果。

4. A Meta-Learning Perspective on Cold-Start Recommendations for Items 矩陣分解（M F）是最流行的項目（item）推薦技術之一，但目前存在嚴重的冷啟動問題。項目冷啟動問題在一些持續輸出項目的平臺中顯得特別尖銳（比如Tweet推薦）。在本文中，我們提出了一種元學習策略，以解決新項目不斷產生時的項目冷啟動問題。我們提出了兩種深度神經網絡體系結構，實現了我們的元學習策略。第一個體系結構學習線性分類器，其權重由項目歷史決定，而第二個體系結構學習一個神經網絡。我們評估了我們在Tweet推薦的現實問題上的效果，實驗證明了我們提出的算法大大超過了MF基線方法。

5. One-at-a-time: A Meta-Learning Recommender-System for Recommendation-Algorithm Selection on Micro Level

推薦算法的有效性通常用評價指標來評估，如均方根誤差、F1或點擊率CTR，在整個數據集上計算。最好的算法通常是基于這些總體度量來選擇的，然而，對于所有用戶、項目和上下文來說并沒有一個單獨的最佳算法。因此，基于總體評價結果選擇單一算法并不是最優的。在本文中，我們提出了一種基于元學習的推薦方法，其目的是為每個用戶-項目對選擇最佳算法。我們使用MovieLens 100K和1m數據集來評估我們的方法。我們的方法（RMSE，100K：0.973；1M：0.908）沒有優于單個的最佳算法SVD++（RMSE，100k：0.942；1M：0.887）。我們還探索了元學習者之間的區別，他們在每個實例（微級別），每個數據子集（中級）和每個數據集（全局級別）上進行操作。評估表明，與使用的總體最佳算法相比，一個假設完美的微級元學習器將提高RMSE 25.5%。