-
KAB:一种基于知识的基准测试方法,用于可复现地评估远程监督下的关系提取任务
Bowen Liu|Junhang Hu|Yucong Lin|Hong Song|Yaqing Nie|Hongmin Xiao|Zichao Lin|Jingtao Li|Xutao Weng|Zhaoli Su|Jinfu Li|Jian Yang摘要结构化知识对于提升关系
来源:Neural Networks
时间:2026-05-13
-
动态自适应多视图对比学习在无监督人员重识别中的应用
李志华|王学燕|陈思宝|丁Chris H.Q.|罗斌•我们提出了一种新颖的对比学习框架,用于无监督的人脸重识别。•我们提出了一种动态自适应的相机Jaccard距离算法,用于估计和减少相机间的差异。•我们提出了一种动态自适应的代理模型,以解决对比学习中代理模型构建不准确的问题。•我
来源:Neural Networks
时间:2026-05-13
-
WA-SAND:一种结合小波注意力扩散和空间自适应噪声机制的多视图人脸生成方法
作者:钟伟波、胡世超、魏林、赵海梅•一种频率感知的扩散框架,该框架将小波域处理与从粗到细的去噪过程明确地对齐。•一种双小波注意力机制,用于分离全局频率重加权与空间频率细化,以实现高保真细节合成。•一种空间自适应的扩散噪声调度机制,以及混合视图令牌-角度嵌入技术,能够实现可控且符合
来源:Neural Networks
时间:2026-05-13
-
一种适用于深度学习模型的同步双重水印技术
王德辉|张迎倩|周爽|薛宇梅•所提出的方案能够有效保护模型开发者和使用者的权益,有助于区分责任方,并适用于复杂的交易场景。•混乱标注的触发集不会影响模型的决策边界,从而降低模型对该触发集的泛化能力。•各个关键要素相互分离,确保了安全性和不可检测性。•该方案在抵抗机器学习攻击方面表
来源:Neural Networks
时间:2026-05-13
-
STMamba-GC:结合图对比学习的时空Mamba模型,用于下一个兴趣点的推荐
马一飞|王泽|邱賢杰|劉文龍|張冀摘要下一个兴趣点(POI)的推荐是基于位置服务中的基本任务,它能够提升用户的个性化体验并支持智能商业决策。尽管序列建模和图神经网络取得了进展,但仍然存在两个关键挑战。首先,稀疏的用户签到数据以及用户偏好的动态变化阻碍了稳定且准确的用户表示的学习。
来源:Neural Networks
时间:2026-05-13
-
ProPy:基于CLIP构建交互式且高效的提示金字塔,用于部分相关的视频检索
易攀|张玉佳|迈克尔·坎普夫迈耶|赵晓光摘要部分相关视频检索(PRVR)是一项实用但具有挑战性的任务,它涉及根据仅与特定片段相关的查询来检索视频。虽然现有的研究工作遵循开发模型来处理单模特征的范式,但像CLIP这样的强大预训练视觉语言模型在该领域仍未被充分探索。为了填补这一空白,
来源:Neural Networks
时间:2026-05-13
-
基于好奇心的合作机制在长尾多标签学习中的应用
Canran Xiao | Chuangxin Zhao | Zong Ke | Fei Shen | Li Shen•针对长尾多标签学习的合作游戏建模•好奇心信号能够放大对具有重叠专家的稀有标签的关注•势能函数确保在循环最佳响应下的上升趋势•在多个基准测试中,Tail Rare
来源:Neural Networks
时间:2026-05-13
-
用于轻量级图像超分辨率的、内存效率高的分而治之注意力机制
芮贺|朱振阳|毛晓阳摘要近期,基于变换器的方法在轻量级图像超分辨率(SR)领域取得了显著进展。然而,这些方法大多侧重于提升推理速度或重建质量,而忽视了内存消耗问题,从而限制了它们在资源受限设备上的实用性。在本文中,我们提出了一种内存效率高的分而治之注意力机制(MEDCA),该机制
来源:Neural Networks
时间:2026-05-13
-
WEANet:通过网络参数初始化来缓解小波归纳偏差,用于时间序列建模
赵阳|张新文|李志豪|陈亚坤|郭忠文•我们提出了一种用于时间序列深度学习模型的新颖初始化方法。•小波理论被作为归纳偏差嵌入到卷积核中。•采用双目标损失函数进行训练,并通过重建机制防止过拟合。•WEANet在分类和预测任务上取得了领先的结果。•该架构可作为Transformer的优
来源:Neural Networks
时间:2026-05-13
-
DDFL:在保护隐私的联邦学习中针对中毒攻击的双重防御机制
程国|莫燕天|李小光|孙辉|解英莫摘要联邦学习(FL)通过允许多个分散环境协作训练全局模型,为数据孤岛问题提供了解决方案。然而,在与半诚实的服务器或恶意客户端协作时,传统联邦学习面临严重的隐私和安全挑战。现有的防御策略往往难以同时有效应对隐私攻击和中毒攻击:强化隐私保护会增加客户
来源:Neural Networks
时间:2026-05-13