ICode9

精准搜索请尝试: 精确搜索
  • The Art of Prompting: Event Detection based on Type Specific Prompts2022-09-10 15:03:41

    Motivation 之前的研究表明prompt可以提高模型在事件检测方面的性能,包括 使用特定structure 使用每种事件类型特定的query 原型 trigger 这些尝试启发对不同prompt效果的探究 Settings 作者在3种setting下做了实验: Supervised event detection Few-shot Event detection 两

  • 第 18 天:创建三枪强化2022-09-01 09:00:46

    第 18 天:创建三枪强化 客观的 :我们如何开始在 Unity 项目中为我们的玩家构建我们的第一个道具? 所以,既然我已经深入到我的项目中,是时候创建更多的对象和行为来获得更多的行动了。首先,我将开始讨论强化道具以及它在特定时间内可以为我们的玩家做什么。让我们从我们的三连击开始吧!

  • Zero Shot on the Cold-Start Problem: Model-Agnostic Interest Learning for Recommender Systems阅读笔记2022-07-05 17:31:55

    动机 本文是2021年CIKM上的一篇论文。目前主流解决推荐系统用户冷启动问题的方法有利用辅助信息以及元学习的方法,但是这些方法的局限是新用户的兴趣以及行为依旧是缺失的。语义知识和预训练好的embedding并不能改变推荐系统对新用户比老用户了解少的困境。作者提出了双塔模型MAIL

  • (转载)李宏毅自然语言处理——GPT3简介2022-07-02 23:06:19

    李宏毅自然语言处理——GPT3简介 本文原地址:https://blog.csdn.net/yjw123456/article/details/119705148 引言 今天来介绍下牛逼的GPT-31,它是一个拥有1750亿参数的巨大的自回归(autoregressive)语言模型。 GPT-3简介 之前最大的语言模型是Turing NLG,它由170亿参数,

  • (转载)李宏毅自然语言处理——GPT3简介2022-07-02 23:06:14

    李宏毅自然语言处理——GPT3简介 本文原地址:https://blog.csdn.net/yjw123456/article/details/119705148 引言 今天来介绍下牛逼的GPT-31,它是一个拥有1750亿参数的巨大的自回归(autoregressive)语言模型。 GPT-3简介 之前最大的语言模型是Turing NLG,它由170亿参数,

  • (转载)GPT-3阅读笔记:Language Models are Few-Shot Learners2022-07-02 20:03:27

    原地址 Abstract 提出问题:最近的许多研究都表明pre-train模型搭配下游任务fine-tune在许多情况下效果显著,但是微调过程需要大量的样本。这一框架不符合人类的习惯,人类只需要少量的示例或说明便能适应一个新的NLP下游任务。 主要贡献:本文证明了通过增大参数量就能让语言模型显著提

  • 美团推荐系统的文章2022-06-23 21:02:37

    https://mp.weixin.qq.com/s/SCFzFIshY9a2wdsPnfffVA 从美团这篇推荐文章里看看一些信息       https://mp.weixin.qq.com/s/axgC09tpzx2p4tb0p7-fPA NLP 的 不可能三角   对模型规模(缺 P1): 一般在超大模型显示出极好的 zero/few-shot 能力和微调后强大的性能时发生。 常用的

  • Discovering and Achieving Goals via World Models2022-05-04 22:32:31

    发表时间:2021(NeurIPS 2021) 文章要点:这篇文章提出Latent Explorer Achiever (LEXA)算法,通过学习world model的imagined rollouts来训练一个explorer策略和一个achiever策略,通过unsupervised learning学习策略,最后可以zero-shot迁移到其他任务。这个方式的好处在于之前的探索方法只

  • Few-shot Learning : Siamese Network2022-04-29 18:00:53

    神经网络结构: 1、两张图片(x1、x2)输入卷积神经网络 输出提取的特征向量(h1、h2) 2、对两个特征向量作差 再取向量每个元素的绝对值(z) 3、全连接层处理z向量 输出一个标量(预测相似度) 4、Sigmoid激活函数 输出介于0-1之间的实数     把预设的标签(target = 1)与预测之间的差作为损失函

  • Few-shot Learning2022-04-29 13:02:59

    k-way n-shot k-way : the support set has k classes. n-shot : every class has n samples. Example (six-way one-shot ):    Another example:  

  • Py-day012022-04-16 21:03:40

    # python提供了一个命令给我们去下载安装工具包的 pip install# 由于我们语言是外国人开发的,很多工具包都是在国外的网站上,所以下载起来很慢# 这时候就需要我们去修改一下下载源 [global] index-url=http://mirrors.aliyun.com/pypi/simple/ [install] trusted-host=

  • 论文-FlipDA: Effective and Robust Data Augmentation for Few-Shot Learning2022-04-10 19:02:38

    论文地址:https://arxiv.org/pdf/2108.06332.pdf 代码地址:https://github.com/zhouj8553/FlipDA   0.摘要   大多数以前的文本数据扩充方法都局限于简单的任务和弱基线。   我们探索了在硬任务(即,few-shot的自然语言理解)和强基线(即,具有超过10亿个参数的预训练模型)上的数据扩充

  • one-shot learning2022-02-23 13:36:05

    one-shot learning 引言 今天来给大家介绍一种深度学习网络。在介绍之前,先来给大家聊一聊题外话。 相信大家都学过cnn卷积神经网络吧,知道卷积神经网络包含卷积层、池化层和全连接层。其工作原理大致为: 图片(输入)->卷积层(提取特征)->池化层(减少参数量)->全连接层(计算每一类的得分值)->s

  • 【论文总结】A Survey of Zero-Shot Learning: Settings, Methods, and Applications2022-02-17 01:00:08

    论文地址:https://dl.acm.org/doi/abs/10.1145/3293318 一、Learning Settings 参数 Class-Inductive Instance-Inductive (CIII) Setting:训练时只使用已标记的可见类的数据集 Dtr 和可见类所对应的语义特征 Ts 集合。 Class-Transductive Instance-Inductive (CTII) Setting:

  • One-Shot学习 (一次学习)2022-01-30 19:00:04

    人脸识别: 你需要通过一张人脸样例去识别这个人,当深度学习只有一个样例时候,模型的表现并不好,所以使用One-Shot学习解决! One-Shot Learn:通过一个样本来进行学习,以能够判断这个人是不是已有数据中的人脸。 在人脸识别中使用“similarity”function来处理人脸识别单一数据的问题。

  • artillery2022-01-28 10:05:20

    Artillery is a class of heavy military ranged weapons built to launch munitions [bombs] far beyond the range and power of infantry [步兵] firearms. Early artillery development focused on the ability to breach defensive walls and fortifications during sieges

  • Java基础 - 坦克大战(第五章,坦克移动、与被击中效果功能)2022-01-20 21:03:10

    文章目录 坦克大战0.3新建Shot类 坦克大战0.4版1.让敌人坦克发射子弹(多颗子弹)思路 2.当我方坦克击中敌人坦克时,敌人的坦克就消失3.实现敌人坦克爆炸后消失注意图片位置 4.实现敌人坦克自由移动5.实现坦克站规定范围内移动 坦克大战0.3 陆游曾说:纸上得来终觉浅,绝知此事要

  • 论文笔记 ACL 2018|Zero-Shot Transfer Learning for Event Extraction2022-01-19 21:03:09

    文章目录 1 简介1.1 创新 2 方法3 实验 1 简介 论文题目:Zero-Shot Transfer Learning for Event Extraction 论文来源:ACL 2018 论文链接:https://arxiv.org/pdf/1707.01066.pdf 代码链接:https://github.com/wilburOne/ZeroShotEvent 1.1 创新 将事件抽取定义为generic gr

  • 【leetcode】452. Minimum Number of Arrows to Burst Balloons2022-01-14 09:32:53

    There are some spherical balloons taped onto a flat wall that represents the XY-plane. The balloons are represented as a 2D integer array points where points[i] = [xstart, xend] denotes a balloon whose horizontal diameter stretches between xstart and

  • Few-shot Object Detecion via Feature Reweighting论文解读2021-12-29 21:02:09

    Few-shot Object Detecion via Feature Reweighting 最近入坑小样本检测,所以会更新一些论文解读,调研一下 本文使用元学习的方法进行训练,基础框架为单阶段目标检测框架(作者提供的代码使用的是yolov2) 建议先了解小样本学习的形式化定义,这里不细讲,由于我最近要写中文论文,所以

  • [论文分享] Self-Promoted Prototype Refinement for Few-Shot Class-Incremental Learning2021-12-29 15:58:47

    这篇论文是CVPR’ 2021的一篇Few-Shot增量学习(FSCIL)文章 No.contentPAPER{CVPR’ 2021} Self-Promoted Prototype Refinement for Few-Shot Class-Incremental LearningURLhttps://openaccess.thecvf.com/content/CVPR2021/papers/Zhu_Self-Promoted_Prototype_Refinement_

  • AutoSlim: Towards One-Shot Architecture Search for Channel Numbers阅读笔记2021-12-29 15:33:24

    AutoSlim阅读笔记 (一) Title(二) Summary(三) Research Object(四) Problem Statement(五) Method5.1 搜索通道数整体方案5.2 Slimmable Networks的训练5.3 Greedy Slimming (六) Experiments(七) Conclusion(八) Notes8.1 得到最优的Channel Numbers的方法 (一) Titl

  • 【Zero Shot Detection】论文阅读笔记2021-12-18 19:58:00

    As we move towards large-scale object detection, it is unrealistic to expect annotated training data, in the form of bounding box annotations around objects, for all object classes at sufficient scale, and so methods capable of unseen object detection ar

  • 小样本学习(Few shot learning)标准数据集(miniImageNet、tieredImageNet、Fewshot-CIFAR100)下载地址2021-12-04 20:02:47

    以下数据集均不可商用:       https://mtl.yyliu.net/download/                   Please note that the splits for miniImageNet follow Ravi and Larochelle. Actually, there are two different kinds of splits for miniImageNet. See details here. The do

  • zero-shot learning2021-12-03 14:00:45

    Intro There is no intersection between classes in training data and test data. So, to recognize the unseen classes, we should try to find out the description of the classes (semantic information). Methods 两种分类 基于嵌入的方法 基于嵌入的方法的主要目标是使用

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有