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

學習跨句關系是文檔摘要提取的關鍵步驟，目前已有多種研究方法。一種直觀的方法是將它們放入基于圖的神經網絡中，這種神經網絡具有更復雜的結構來捕獲句子之間的關系。我們提出了一種基于異構圖的提取摘要神經網絡，該網絡包含除句子外的不同粒度的語義節點。這些額外的節點充當句子之間的中介，豐富了跨句關系。此外，通過引入文檔節點，我們的圖結構在從單文檔設置到多文檔設置的自然擴展方面具有靈活性。據我們所知，我們是第一個將不同類型的節點引入到基于圖的神經網絡中進行提取文檔摘要，并對其進行全面的定性分析來研究其好處的人。代碼將在Github上發布。

近年來，隨著深度神經網絡模型性能不斷刷新，模型的骨干網絡參數量愈發龐大，存儲和計算代價不斷提高，從而導致難以部署在資源受限的嵌入式平臺上。滴滴 AI Labs 與美國東北大學王言治教授研究組合作，聯合提出了一種基于 AutoML 思想的自動結構化剪枝的算法框架 AutoCompress，能自動化的去尋找深度模型剪枝中的超參數，去除模型中不同層的參數冗余，替代人工設計的過程并實現了超高的壓縮倍率。從而滿足嵌入式端上運行深度模型的實時性能需求。

相較之前方法的局限性，該方法提出三點創新性設計：

（1）提出混合型的結構化剪枝維度； （2）采用高效強大的神經網絡剪枝算法 ADMM（交替乘子優化算法）對訓練過程中的正則項進行動態更新； （3）利用了增強型引導啟發式搜索的方式進行行為抽樣。在 CIFAR 和 ImageNet 數據集的大量測試表明 AutoCompress 的效果顯著超過各種神經網絡壓縮方法與框架。在相同準確率下，實際參數量的壓縮相對之前方法最大可以提高超 120 倍。

現有機器學習技術得以成功的背后往往依賴充足的標記數據。然而，充足標記數據的獲取非常困難，因為現實任務中數據標記的速度往往趕不上數據產生的速度。弱監督學習（不依賴充足標記數據的機器學習框架）[1]更為貼近現實任務，但也更為困難。

弱監督學習研究主要圍繞各種特定弱監督數據信號開展[1]。例如，半監督學習旨在研究監督信息不完整(Incomplete)的數據；噪聲標記學習旨在研究監督信息不準確(Inaccurate)的數據；多示例學習旨在研究監督信息不具體(Inexact)的數據等。南京大學LAMDA團隊常年來對弱監督學習相關技術瓶頸開展基礎研究，提出了具有性能保障的安全半/弱監督學習、自動半監督學習等工作[2][3]。

隨著弱監督學習不斷走向實際應用，單純的弱監督學習技術已越來越難于滿足現實任務的需求。其原因之一在于，往常的弱監督學習技術僅適合一種弱監督數據信號，類似于某藥方（弱監督學習技術）僅適用于某特定病癥（弱監督數據信號）。然而，現實任務的數據同時伴隨著多種弱監督數據信號時有發生，類似于多種病癥常伴隨出現。能夠協同處理多種病癥的復合弱監督學習（Compound Weakly Supervised Learning）技術非常必要。然而，該方面鮮有相關基礎研究工作，也包括結合實際業務數據的應用案例剖析，亟待開展研究。

本文基于滴滴智能司乘評價的實際業務場景，展示復合弱監督學習的必要性和實際效用。具體而言，業務背景情況如下：隨著移動互聯網顛覆性變革，網約車不斷發展普及，已進入人們日常生活。滴滴作為領先的一站式移動出行平臺，深刻影響著人們的出行和生活方式。為盡可能地提升用戶體驗、建設良好的司乘生態，網約車智能司乘評價體系起著至關重要的作用，需兼顧乘客體驗、司機接單公平性與平臺效能。在智能評價體系中，每個乘客乘車結束后手機端都會收到一個推薦的評價問題，如“司機是否繞路?”。如果該回答能夠很好的反映出此次行程的不足，那將有助于平臺對司機進行教育，以提高用戶的體驗。借助機器學習來進行評價問題推薦就是智能評價體系的主要目標。然而，這其中存在兩個嚴重影響機器學習性能的數據問題，一是數據存在嚴重的標記噪聲，因為評價結果往往受到乘客主觀因素的影響，導致收集到的標記不準確，同時也存在著大量誤操作和乘客隨意評價的情況；二是數據標記分布存在偏差，即訓練數據中差評與好評數據的標記分布和真實線上環境的標記分布存在明顯的差距。圍繞這類實際數據問題，需要發展復合弱監督學習技術。本文提出的復合弱監督學習技術明顯優于單純弱監督學習技術，可將AUC性能提升5%以上。