基于宽高的情绪分析(ABSA)是一种细粒度的情绪分析任务。为了更好地理解长期复杂的句子,并获得准确的方面的信息,这项任务通常需要语言和致辞知识。然而,大多数方法采用复杂和低效的方法来结合外部知识,例如,直接搜索图形节点。此外,尚未彻底研究外部知识和语言信息之间的互补性。为此,我们提出了一个知识图形增强网络(kgan),该网络(kgan)旨在有效地将外部知识与明确的句法和上下文信息纳入。特别是,kgan从多个不同的角度来看,即基于上下文,语法和知识的情绪表示。首先,kgan通过并行地了解上下文和句法表示,以完全提取语义功能。然后,KGAN将知识图形集成到嵌入空间中,基于该嵌入空间,基于该嵌入空间,通过注意机制进一步获得了方面特异性知识表示。最后,我们提出了一个分层融合模块,以便以本地到全局方式补充这些多视图表示。关于三个流行的ABSA基准测试的广泛实验证明了我们康复的效果和坚固性。值得注意的是,在罗伯塔的预用模型的帮助下,Kggan实现了最先进的性能的新记录。
translated by 谷歌翻译
现有场景文本识别(str)方法通常使用语言模型来优化通过视觉识别(VR)模型预测的1D字符序列的联合概率,该模型忽略了字符实例内和之间的视觉语义的2D空间上下文不概括为任意形状的场景文本。要解决此问题,我们首次尝试根据本文的视觉语义进行文本推理。从技术上讲,给定VR模型预测的字符分割映射,我们为每个实例构造一个子图,其中节点表示基于它们的空间相似度之间的节点中的像素和边缘。然后,这些子图通过其根节点顺序连接并合并到完整的图表中。基于此图,我们通过通过跨熵损失监督它来设计图表卷积网络以进行文本推理(GTR)。 GTR可以轻松插入代表性的STR模型,以提高其性能,因为较好的文本推理。具体而言,我们通过将GTR并将GTR与基于分段的STR基线中的语言模型并联的语言模型进行了构建模型,即,通过相互学习可以有效利用视觉语言互补性。 S-GTR在六个挑战性的STR基准上套装新的最先进的基准,并概括为多语言数据集。代码可用于https://github.com/adeline-cs/gtr。
translated by 谷歌翻译
最近,寻找交通状态表示的基本属性比交通信号控制(TSC)的复杂算法更为重要。跑步和排队的车辆考虑到决定是否改变当前阶段;(2)新颖的设计交通运输表示与高级MP的有效压力和有效运行的车辆,即高级交通状态(ATS);(3)通过与当前RL方法的ats组合并生成两个RL算法,“Advanced-Mplight”和“Advanced-Colight”,开发基于RL的算法模板Advanced-Xlight。多个现实世界数据集的综合实验表明:(1)高级MP优于基线方法,可为部署有效可靠;(2)先进的热门和高级雕塑可以实现新的最先进。我们的代码在github上发布。
translated by 谷歌翻译
深度神经网络(DNN)极大地促进了语义分割中的性能增益。然而,训练DNN通常需要大量的像素级标记数据,这在实践中收集昂贵且耗时。为了减轻注释负担,本文提出了一种自组装的生成对抗网络(SE-GAN)利用语义分割的跨域数据。在SE-GaN中,教师网络和学生网络构成用于生成语义分割图的自组装模型,与鉴别器一起形成GaN。尽管它很简单,我们发现SE-GaN可以显着提高对抗性训练的性能,提高模型的稳定性,这是由大多数普遍培训的方法共享的常见障碍。我们理论上分析SE-GaN并提供$ \ Mathcal o(1 / \ sqrt {n})$泛化绑定($ n $是培训样本大小),这表明控制了鉴别者的假设复杂性,以提高概括性。因此,我们选择一个简单的网络作为鉴别器。两个标准设置中的广泛和系统实验表明,该方法显着优于最新的最先进的方法。我们模型的源代码即将推出。
translated by 谷歌翻译
特征在于巨大的光谱信息,高光谱图像能够检测微妙的变化,并区分各种变化等级以进行变化检测。然而,最近由高光谱二进制变更检测的研究工作不能提供精细的变化课程信息。并且大多数包含用于高光谱多字母变化检测(HMCD)的光谱解密的方法,但忽略了时间相关性和误差累积。在这项研究中,我们提出了一种无监督的二进制变化,用于HMCD的无监督二进制变更导向的高光谱多种子变化检测网络(BCG-Net),其旨在通过成熟二进制改变检测方法提升多种子变化检测结果和解密结果。在BCG-Net中,专为多时间谱解密而设计了一种新型的部分暹罗联合式解密模块,并且开发了由二元变化检测结果的伪标签指导的突破性的时间相关约束,从透视中引导未混合过程变化检测,鼓励不变的像素的丰富更接合,并且改变像素更准确。此外,提出了一种创新的二进制变更检测规则来处理传统规则易受数值的问题。提出了频谱解压过程的迭代优化和变化检测过程,以消除来自解密结果的累积误差和偏置以改变检测结果。实验结果表明,我们所提出的BCG-Net可以在最先进的方法中实现多种多数变化检测的比较甚至出色的性能,并同时获得更好的光谱解密结果。
translated by 谷歌翻译
由于传统方法无法适应动态交通条件,因此增强学习(RL)吸引了更多地关注,帮助解决交通信号控制(TSC)问题。然而,考虑到它们在计算资源方面既不具有比传统方法更具成本效益,都不会部署基于RL的方法,这提出了一个关键的研究问题:如何用较少的训练构建自适应控制器,减少TSC基于RL的方法的复杂性?为了解决这个问题,在本文中,我们(1)创新地将交通流量表示指定为交通网络中的车辆队列的简单但有效的压力,即有效的压力(EP); (2)构建流量信号设置协议,包括TSC的阶段,信号相位数和EP; (3)设计基于传统最大压力(MP)方法的TSC方法,即使用EP捕获交通状态的高效最大压力(高效-MP); (4)开发一般的基于RL的TSC算法模板:EP下有效的Xlight(效率Xlight)。通过对TSC的交通信号设置的多个实际数据集的全面实验,我们证明了与基于传统和RL的建模互补的压力,以设计更好的TSC方法。我们的代码在github上发布。
translated by 谷歌翻译
由地球观察(EO)卫星收集的数据通常由云覆盖而受到折磨。检测云的存在 - 越来越多地使用深度学习完成 - 在EO应用中是至关重要的预处理。事实上,先进的EO卫星在卫星和下行链路上执行基于深度的学习云检测,只有清晰的天空数据以节省宝贵的带宽。在本文中,我们突出了深度学习的云检测对逆势攻击的脆弱性。通过优化对抗性模式并将其叠加到无云场景中,我们将神经网络偏向于场景中的云中。由于云检测器的输入光谱包括非可见频段,因此我们在多光谱域中生成了我们的攻击。这使得多目标攻击的潜力,特别是在可见带中的云敏感条带和视觉伪装中的对抗偏置。我们还调查了对抗对抗攻击的缓解策略。我们希望我们的工作进一步建立了对EO社区对抗对抗袭击的潜力的认识。
translated by 谷歌翻译
最近对比学习在从未标记数据学习视觉表现方面表现出显着进展。核心思想正在培训骨干,以不变的实例的不同增强。虽然大多数方法只能最大化两个增强数据之间的特征相似性,但我们进一步产生了更具挑战性的训练样本,并强迫模型继续预测这些硬样品上的判别表示。在本文中,我们提出了Mixsiam,传统暹罗网络的混合方法。一方面,我们将实例的两个增强图像输入到骨干,并通过执行两个特征的元素最大值来获得辨别结果。另一方面,我们将这些增强图像的混合物作为输入,并期望模型预测接近鉴别的表示。以这种方式,模型可以访问实例的更多变体数据样本,并继续预测它们的不变判别表示。因此,与先前的对比学习方法相比,学习模型更加强大。大型数据集的广泛实验表明,Mixsiam稳步提高了基线,并通过最先进的方法实现了竞争结果。我们的代码即将发布。
translated by 谷歌翻译
对比学习被出现为强大的代表学习方法,促进各种下游任务,特别是当监督数据有限时。如何通过数据增强构建有效的对比样本是其成功的关键。与视觉任务不同,语言任务中尚未对对比学习进行对比学习的数据增强方法。在本文中,我们提出了一种使用文本摘要构建语言任务的对比样本的新方法。我们使用这些样本进行监督的对比学习,以获得更好的文本表示,这极大地利用了具有有限注释的文本分类任务。为了进一步改进该方法,除了交叉熵损失之外,我们将从不同类中的样本混合并添加一个名为MIXSUM的额外正则化。真实世界文本分类数据集(Amazon-5,Yelp-5,AG新闻和IMDB)的实验展示了基于摘要的数据增强和MIXSUM正规化的提议对比学习框架的有效性。
translated by 谷歌翻译
Bayesian Optimization(Bo)是全球优化昂贵的客观功能的框架。古典BO方法假设客观函数是一个黑匣子。但是,有关客观函数计算的内部信息通常可用。例如,在使用模拟优化制造行的吞吐量时,除了整体吞吐量之外,我们还会观察每个工作站等待等待的部件数。最近的BO方法利用此类内部信息显着提高性能。我们称之为这些“灰盒”BO方法,因为它们将客观计算视为部分可观察且甚至可修改,将黑盒方法与所谓的“白盒”的第一原理进行客观函数计算的知识。本教程描述了这些方法,专注于复合物镜功能的博,其中可以观察和选择性地评估饲喂整体目标的单个成分;和多保真博,其中一个人可以通过改变评估oracle的参数来评估目标函数的更便宜的近似。
translated by 谷歌翻译