注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 自监督学习的范式变迁

  2. 自监督学习的范式变迁，The Paradigm Shift of Self-Supervised Learning，by Carlos E.perez。

  3. 所属分类：深度学习

    • 发布日期：2019-06-26
    • 文件大小：856064
    • 提供者：tox33

  1. 机器学习圣杯：图灵奖得主Bengio和LeCun称自监督学习可使AI达到人类智力水平

  2. 在2020的ICLR线上大会上，蒙特利尔学习算法研究所主任、图灵奖得主Yoshua Bengio和Facebook 的副总裁兼首席人工智能科学家Yann LeCun，坦率地谈到了未来AI的研究趋势。

  3. 所属分类：机器学习

    • 发布日期：2020-05-04
    • 文件大小：3145728
    • 提供者：syp_net

  1. 无标记数据学习, 一致性学习与自监督学习是什么？【Google AI-Luong, 83ppt】.zip

  2. 如何利用未标记数据进行机器学习是当下研究的热点。最近自监督学习、对比学习等提出用于解决该问题。最近来自Google大脑团队的Luong博士介绍了无标记数据学习的进展，半监督学习以及他们最近重要的两个工作：无监督数据增强和自训练学习，是非常好的前沿材料。

  3. 所属分类：机器学习

    • 发布日期：2020-03-05
    • 文件大小：9437184
    • 提供者：syp_net

  1. 请看最新8篇ICML 2020投稿论文（包括：自监督学习、联邦学习、图学习、数据隐私、语言模型、终身学习）.zip

  2. 2020的机器学习在研究什么？请看最新8篇ICML2020投稿论文：自监督学习、联邦学习、图学习、数据隐私、语言模型、终身学习…通过作者们放到 ArXiv 上的 ICML 投稿文章，一窥 ICML2020中的 重要的几篇论文究竟在研究什么？

  3. 所属分类：机器学习

    • 发布日期：2020-02-22
    • 文件大小：8388608
    • 提供者：syp_net

  1. 视频中动作识别与定位的自步弱监督学习

  2. 视频中动作识别与定位的自步弱监督学习，杨旻，盖程鹏，对于仅有动作标签而缺少标签时序位置信息的视频进行弱监督学习是一项极具挑战的任务。为了进一步提高动作识别和定位的准确率，本

  3. 所属分类：其它

    • 发布日期：2020-01-31
    • 文件大小：712704
    • 提供者：weixin_38689922

  1. 基于深度网络的自监督视觉特征学习综述.zip

  2. 本文对基于深度学习的自监督一般性视觉特征学习方法做了综述。首先，描述了该领域的动机和一些专业性术语。在此基础上，总结了常用的用于自监督学习的深度神经网络体系结构。接下来，回顾了自监督学习方法的模式和评价指标，并介绍了常用的图像和视频数据集以及现有的自监督视觉特征学习方法。最后，总结和讨论了基于标准数据集的性能比较方法在图像和视频特征学习中的应用。

  3. 所属分类：机器学习

    • 发布日期：2020-01-16
    • 文件大小：24117248
    • 提供者：syp_net

  1. 高级人工智能PPT无监督学习.7z

  2. 高级人工智能PPT，章节无监督学习，共100多页，需要的自取

  3. 所属分类：讲义

    • 发布日期：2019-07-21
    • 文件大小：4194304
    • 提供者：qq_41581769

  1. 自监督学习教程（来源于牛津大学&DeepMind）

  2. 自监督学习是一个很有前途的替代方法，其中开发的代理任务允许模型和代理在没有明确监督的情况下学习，这有助于对感兴趣的任务的下游性能。自监督学习的主要好处之一是提高数据效率:用较少的标记数据或较少的环境步骤(在强化学习/机器人技术中)实现可比较或更好的性能。

  3. 所属分类：机器学习

    • 发布日期：2020-05-30
    • 文件大小：8388608
    • 提供者：syp_net

  1. 自监督训练的人工神经网络中的涌现语言结构

  2. 本文探讨了大型人工神经网络学习的语言结构知识，通过自监督训练，该模型简单地尝试预测给定上下文中的一个掩蔽词。人类的语言交流是通过词语序列进行的，但是语言理解需要构建丰富的从未被明确观察到的层次结构。这一机制一直是人类语言习得的一个主要奥秘，而工程工作主要是通过在树堆上有监督的句子学习来完成的，这些句子是手写标记的这种潜在结构。

  3. 所属分类：机器学习

    • 发布日期：2020-06-05
    • 文件大小：4194304
    • 提供者：syp_net

  1. 自监督学习：生成和对比方法综述

  2. 自监督学习作为一种新的学习方法，近几年在表征学习方面取得了骄人的成绩，其利用输入数据本身作为监督，并使得几乎所有类型的下游任务都受益。

  3. 所属分类：机器学习

    • 发布日期：2020-06-19
    • 文件大小：7340032
    • 提供者：syp_net

  1. 基于半监督学习的高斯过程微波天线谐振频率建模

  2. 为了优化电磁设备的设计，从包括HFSS，CST和IE3D的全波电磁仿真软件中获取训练样本是最耗时的。 传统的机器学习方法通​​常仅使用标记的样本或未标记的样本，但是在实际问题中，标记的样本和未标记的样本并存，标记样本的获取成本相对较高。 本文提出了一种半监督学习高斯过程（GP），该方法结合了未标记的样本以提高GP模型的准确性并减少所需的标记训练样本的数量。 提出的GP模型包括两个部分：初始训练和自我训练。 在初始训练过程中，通过全波电磁模拟获得的少量标记样本用于训练初始GP模型。 然后，将经过训

  3. 所属分类：其它

    • 发布日期：2020-06-23
    • 文件大小：980992
    • 提供者：weixin_38716460

  1. 基于风量-风压复合特征的矿井通风系统阻变型故障诊断无监督学习模型

  2. 目前矿井通风系统阻变型故障诊断方法需要收集故障样本方可进行故障位置和故障量诊断，且故障位置诊断和故障量诊断需要分别建立对应分类和回归数学模型。针对矿井通风系统阻变型故障样本收集难度大和故障位置及故障量无法同时进行故障诊断的问题，将矿井通风系统阻变型故障诊断转换为最小欧氏距离的优化求解问题，提出一种无需样本参与训练的矿井通风系统阻变型故障诊断无监督学习模型，利用协方差矩阵自适应进化策略方法对无监督学习模型进行优化求解，实现分类与回归预测一体化。通过进行风量、风压单一特征和风量-风压复合特征的对比模

  3. 所属分类：其它

    • 发布日期：2020-07-25
    • 文件大小：1048576
    • 提供者：weixin_38693524

  1. ICLR 2021上与【自监督学习】 & 【Transformer】相关的论文

  2. 国际表示学习大会（The International Conference on Learning Representations）是致力于人工智能领域发展的国际知名学术会议之一。为了分析最新研究动向，本文精选了涵盖自监督学习、Transformer、图神经网络、自然语言处理、模型压缩等热点领域，将分多期为大家带来系列论文解读。

  3. 所属分类：机器学习

    • 发布日期：2020-10-21
    • 文件大小：14680064
    • 提供者：syp_net

  1. 《对比监督学习》2020综述论文

  2. 自监督学习由于能够避免标注大规模数据集的成本而受到欢迎。它能够采用自定义的伪标签作为监督，并将学习到的表示用于几个下游任务。具体来说，对比学习最近已成为计算机视觉、自然语言处理(NLP)等领域的自主监督学习方法的主要组成部分。它的目的是将同一个样本的增广版本嵌入到一起，同时试图将不同样本中的嵌入推开。

  3. 所属分类：机器学习

    • 发布日期：2020-11-05
    • 文件大小：5242880
    • 提供者：syp_net

  1. Dassl.pytorch:用于域自适应和半监督学习的PyTorch工具箱-源码

  2. 达斯尔 Dassl是一个工具箱，旨在研究领域适应和半监督学习（因此而命名为Dassl ）。它具有模块化设计和统一的界面，可以快速进行原型设计和新DA / SSL方法的试验。使用Dassl，只需几行代码即可实现一种新方法。 您可以将Dassl用作库进行以下研究： 领域适应 域泛化 半监督学习 什么是新的 [2021年3月]我们刚刚在上发布了关于域泛化的调查，该调查总结了该主题的十年发展情况，涵盖了历史，相关问题，数据集，方法论，潜力方向等等。 [2021年1月]我们最近的工作 （混合不同域样本的

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：149504
    • 提供者：weixin_42161450

  1. awesome-self-supervised-gnn:关于图神经网络（GNN）的预训练和自我监督学习的论文-源码

  2. 很棒的自我监督 关于图神经网络（GNN）上自我监督学习的论文。如果您认为缺少与相关主题相关的论文，请随时通过问题或请求请求告知我们。 2021年 [arXiv 2021]使用基于子结构对比的图形表示学习进行药物目标预测 [arXiv 2021]通过元学习进行图神经网络的自我监督辅助学习 [arXiv 2021]图自我监督学习：一项调查 [arXiv 2021]迈向鲁棒图对比学习 [arXiv 2021]动态图神经网络的预训练 [arXiv 2021]图神经网络的自我监督学习：统一审查

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：3072
    • 提供者：weixin_42131342

  1. 基于半监督学习的紫外-可见光谱的供水系统有机污染物事件自适应检测方法

  2. 基于半监督学习的紫外-可见光谱的供水系统有机污染物事件自适应检测方法

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：6291456
    • 提供者：weixin_38741759

  1. 基于自监督学习的维基百科家庭关系抽取

  2. 基于自监督学习的维基百科家庭关系抽取

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：441344
    • 提供者：weixin_38554186

  1. 基于共同视域的自监督立体匹配算法

  2. 提出了一种基于共同视域的自监督立体匹配算法, 该算法根据视差的左右一致性来确定双目图像的共同可视区域, 从而抑制被遮挡区域产生的噪声, 为网络模型的学习提供了更加准确的反馈信号。研究结果表明：在没有任何标签数据的前提下, 所提算法的预测误差降低了11%~42%, 且与有监督立体匹配算法的性能相当。

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：8388608
    • 提供者：weixin_38710566

  1. DefRec_and_PCM：点云上域自适应的自我监督学习-源码

  2. 在点云上进行域自适应的自我监督学习 介绍 自我监督学习（SSL）可以从未标记的数据中学习有用的表示形式，并已有效地应用于图像的域自适应（DA）。 尚不知道是否以及如何利用它来进行3D感知领域的适应。 在这里，我们描述了对点云上的DA的SSL的首次研究。 我们引入了一个新的借口任务系列，即“变形重构”，该变形任务是由模拟到真实转换中遇到的变形所激发的。 关键思想是使输入形状的区域变形并使用神经网络对其进行重构。 我们设计了三种类型的形状变形方法：（1）基于体积：基于输入空间中的接近度的形状变形；

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：834560
    • 提供者：weixin_42109545
« 12 3 4 5 6 7 8 9 10 »