Sample Efficient Stochastic Gradient Iterative Hard Thresholding Method for Stochastic Sparse Linear Regression with Limited Attribute Observation
NTT DATA Mathematical Systems Inc.（NTT数据数学系统公司）；The University of Tokyo（东京大学）；RIKEN（理化学研究所）
我们开发了新的随机梯度法，有效地解决稀疏线性回归在部分属性观察设置，学习者只允许观察固定数量的积极选择的属性每个例子在训练和预测时间。结果表明，该方法在特征值约束条件下的误差为$\varepsilon$时，样本复杂度为$O(1/\varepsilon)$，且与现有方法相比，该速率对问题维数有更好的依赖性.特别地，如果最优解的非零分量的最小值不太小，我们提出的{ \it Hybrid}算法的速度可以提高到接近{ \it full information}算法的minimax最优样本复杂度.其核心思想是：（i）通过迭代使用硬阈值算子来配置探索算法，有效地构造无偏梯度估计器;以及（ii）探索和开发算法的自适应组合，用于快速识别最优的支持，并有效地搜索其支持中的最优参数。实验结果验证了我们的理论研究结果和我们提出的方法的优越性。
2018-12-01 cs.LG math.OC stat.ML
Sharp Threshold for Multivariate Multi-Response Linear Regression via Block Regularized Lasso
Syracuse University（雪城大学）；Carnegie Mellon University（卡内基梅隆大学）
本文研究了一个多变量多响应（MVMR）线性回归问题，该问题包含多个具有不同分布设计矩阵的线性回归模型，以及不同的回归和输出向量。目标是使用$l_1/l_2$正则化Lasso恢复所有回归向量的支持并集。我们的充分和必要条件的样本复杂性\emph{as a sharp threshold}，以保证成功恢复的支持联盟。也就是说，如果样本大小高于阈值，则$l_1/l_2$ -正则化Lasso正确地恢复支持并集;如果样本大小低于阈值，则$l_1/l_2$ -正则化Lasso无法恢复支持并集。特别是，该阈值精确地捕获了回归向量的稀疏性和设计矩阵的统计特性对样本复杂性的影响。因此，阈值函数还捕获了使用多任务Lasso的联合支持联合恢复优于使用单任务Lasso的单独支持恢复的优点。
2013-07-30 cs.LG stat.ML
Secure multi-party linear regression at plaintext speed
Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）
我们详细介绍了分布式算法的可扩展性，安全的多方线性回归和特征选择在基本上相同的速度作为明文回归。虽然核心的几何思想很简单，但认识到它们在组合时的广泛用途是新颖的。我们的方案为跨多个生物库的高效和安全的全基因组关联研究打开了大门。
2019-07-10 cs.CR cs.LG stat.ML
Adaptivity of averaged stochastic gradient descent to local strong convexity for logistic regression
INRIA（法国国家信息与自动化研究所）；Ecole Normale Supérieure（巴黎高等师范学院）
在本文中，我们考虑监督学习问题，如逻辑斯谛回归和研究的随机梯度方法平均，在通常的随机近似设置的观察只使用一次。我们发现，$N$迭代后，与一个恒定的步长成比例的$1/R^2 \sqrt{N}$，其中$N$是观察的数量和$R$是最大范数的观察，收敛速度总是顺序$O(1/\sqrt{N})$，并提高到$O(R^2 / μN)$，其中$μ$是最低的特征值的海森在全球最优（当这个特征值大于$R^2/\sqrt{N}$）。由于$μ$不需要事先知道，这表明平均随机梯度是自适应的\emph{unknown local}强凸性的目标函数。我们的证明依赖于逻辑损失的广义自洽性质，从而扩展到所有具有一致有界特征的广义线性模型。
2014-03-16 cs.LG math.OC math.ST
Regression with Sensor Data Containing Incomplete Observations
IBM Research - Tokyo（IBM东京研究院）
针对传感器标签因不完整观测而偏低且无法识别的问题，本文提出一种显式建模恒为负值非对称噪声的学习算法，并证明其无偏性，通过数值实验验证了算法优势。
2023-05-31 cs.LG
A hybrid Decoder-DeepONet operator regression framework for unaligned observation data
Shanghai Jiao Tong University（上海交通大学）；Fudan University（复旦大学）
针对未对齐观测数据导致深度神经算子维数与计算成本升高的问题，提出混合 Decoder-DeepONet 及带平均场输入增强的 Multi-Decoder-DeepONet，并通过 Darcy 与翼型绕流实验验证其精度优势。
2023-08-18 cs.LG
Linear Regression with Limited Observation
Technion — Israel Institute of Technology（以色列理工学院）
我们考虑线性回归的最常见变体，包括Ridge，Lasso和Support vector回归，在这种设置中，学习者在训练时只允许观察每个示例的固定数量的属性。我们提出了这些问题的简单而有效的算法：对于Lasso和Ridge回归，它们需要与全信息算法相同的属性总数（直到常数），以达到一定的精度。对于支持向量回归，与现有技术相比，我们需要指数级更少的属性。通过这一点，我们解决了Cesa-Bianchi et al.（2010）最近提出的一个开放问题。实验表明，与现有技术相比，优越的性能证明了理论界限的合理性。
2012-06-18 cs.LG stat.ML
Remarks on Loss Function of Threshold Method for Ordinal Regression Problem
本文通过理论与实验研究序数回归阈值方法中数据分布和1DT学习过程对分类性能的影响，发现非单峰分布和分段线性损失导致的1DT值集中会降低性能。
2024-05-22 cs.LG
Three-quarter Sibling Regression for Denoising Observational Data
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Mount Holyoke College（曼荷莲学院）；Amazon（亚马逊）；University of Georgia（佐治亚大学）；Oregon State University（俄勒冈州立大学）
许多生态研究和保护政策是基于对物种的实地观察，这可能会受到观察过程中引入的系统变异的影响。最近引入的一种称为“半同胞回归”的因果建模技术可以检测和纠正多个独立随机变量测量中的系统误差。然而，如果变量是相关的，它将消除内在的变异性，因此不适用于许多情况，包括由共同原因控制的物种计数的建模。我们提出了一种称为“四分之三兄弟姐妹回归”的技术来部分克服这一限制。它可以过滤系统噪声的影响时，潜变量观察到的共同原因。我们提供了这种方法的理论依据，证明其有效性的合成数据，并表明它减少了系统的检测变化，由于月亮亮度蛾调查。
2020-12-31 cs.LG stat.ME
A Closed Form Solution to Multi-View Low-Rank Regression
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
现实生活中的数据通常包括来自不同渠道的信息。例如，在计算机视觉中，我们可以使用不同的图像特征来描述图像，例如像素强度、颜色、HOG、GIST特征、SIFT特征等。相同对象的这些不同方面通常称为多视图（或多模态）数据。低秩回归模型通过对实际数据的低秩结构的探索，被证明是一种有效的学习机制。但以往的低秩回归模型只适用于单视图数据。本文通过对多视图回归模型施加低秩约束，提出了一种多视图低秩回归模型。最重要的是，我们提供了一个封闭形式的解决方案，多视图低秩回归模型。在4个多视图数据集上的大量实验表明，多视图低秩回归模型的性能优于单视图回归模型，并揭示了多视图低秩结构是非常有用的。
2016-10-14 cs.LG
Variational Outlier-Robust Gaussian Process Regression with Generative Modeling
Zunitech, LLC（祖尼特科技有限责任公司）；Institute of Data Science, University of Engineering and Technology, Lahore, Pakistan（拉合尔工程技术大学数据科学学院）
针对离群值扭曲高斯过程回归的问题，提出带生成建模的变分离群值鲁棒高斯过程回归方法，经实验验证其预测精度优于多数基线且计算复杂度为立方级。
2026-08-18 cs.LG
Characterizing instance hardness in classification and regression problems
Universidade Federal de São Paulo (UNIFESP)（圣保罗联邦大学）；Instituto Tecnológico da Aeronáutica (ITA)（航空技术学院）
最近在机器学习（ML）文献中的一些工作已经证明了评估哪些观察结果最难准确预测其标签的有用性。通过识别这些实例，可以检查它们是否有任何应该解决的质量问题。还可以根据观察的难度水平设计学习策略。本文提出了一组元特征，旨在表征数据集的哪些实例最难准确预测其标签，以及为什么会这样，即实例硬度度量。分类和回归问题都被考虑。构建和分析具有不同复杂程度的合成数据集。还提供了一个包含所有实现的Python包。
2022-12-04 cs.LG
Multiple-Instance Learning: Radon-Nikodym Approach to Distribution Regression Problem
Ioffe Institute（约费研究所）
对于分布回归问题，当一袋$x$ --观测值被映射到单个$y$值时，提出了一种一步解法.以袋内$x$观测值的分布矩为随机向量，将随机值的随机分布问题转化为随机向量的随机值问题。然后可以应用Radon-Nikodym或最小二乘理论，给出$y(x)$估计量。给出了$y$的概率分布，这需要求解广义特征值问题，矩阵谱（不依赖于$x$）给出$y$可能的结果，依赖于$x$的结果概率可以通过将固定$x$值的分布（delta函数）投影到相应的特征向量上得到。提供这些计算的数值稳定的多项式基础的库是可用的，这使得所提出的方法实用。
2015-12-02 cs.LG
Scaling Gaussian Process Regression with Full Derivative Observations
Base26
DSoftKI通过局部温度向量改进插值方案，实现可扩展的高斯过程回归，支持一阶和二阶导数的近似，适用于高维分子力场预测。
2026-02-02 cs.LG stat.ML
Generative Ensemble Regression: Learning Particle Dynamics from Observations of Ensembles with Physics-Informed Deep Generative Models
Brown University（布朗大学）；Massachusetts Institute of Technology（麻省理工学院）；Pacific Northwest National Laboratory（西北太平洋国家实验室）
提出了一种通过观测离散和稀疏时刻的粒子系综来推断控制随机常微分方程（SODE）的新方法，即，多个“快照”。单个时刻的粒子坐标（可能有噪声或截断）记录在每个快照中，但在快照中不成对。通过训练一个生成“假”样本路径的物理生成模型，我们的目标是用概率测度空间中的曲线拟合观察到的粒子系综分布，该曲线是从推断的粒子动力学中推导出来的。我们采用不同的指标来量化分布之间的差异，例如，切片Wasserstein距离和生成对抗网络（GANs）中的对抗损失。我们把这种方法称为生成的“集合回归”（GER），类似于经典的“点回归”，在那里我们通过在欧几里得空间中执行回归来推断动态。我们说明GER通过学习的漂移和扩散项的粒子系综与布朗运动和Levy过程的SODE高达100维。我们还讨论了如何处理噪声或截断观测的情况。除了由独立粒子组成的系统，我们还通过构造物理信息的损失函数来处理具有未知相互作用势参数的非局部相互作用粒子系统。最后，我们调查的情况下，成对的观察，并讨论如何减少在这种情况下，通过证明收敛定理，提供理论支持的维数。
2021-03-21 cs.LG stat.ML
Sibling Regression for Generalized Linear Models
University of Massachusetts（马萨诸塞大学）；Mount Holyoke College（曼荷莲学院）
实地观察是许多科学研究的基础，特别是在生态和社会科学方面。尽管努力以标准化的方式进行这类调查，但观测可能容易出现系统性测量误差。如有可能，消除观测过程中引入的系统变异性，可大大增加这一数据的价值。现有的用于校正这种误差的非参数技术假设线性加性噪声模型。当应用于广义线性模型（GLM）时，这会导致有偏估计。我们提出了一种基于残差函数的方法来解决这个限制。然后，我们证明了其有效性的合成数据，并表明它减少了系统的检测变化蛾调查。
2021-07-07 cs.LG stat.ME
Multivariate Regression with Grossly Corrupted Observations: A Robust Approach and its Applications
Bioinformatics Institute, A*STAR（新加坡科技研究局生物信息研究所）；Institute of Psychology, Chinese Academy of Sciences（中国科学院心理研究所）；School of Computing, National University of Singapore（新加坡国立大学计算学院）
本文研究了多元线性回归问题，其中部分观测值严重损坏或丢失，并且这种损坏的大小和位置先验未知。为了解决这个问题，我们提出了一种新的方法，明确考虑误差源以及其稀疏性。我们的方法的一个有趣的特性在于它允许单个回归输出元素或任务拥有其独特的噪声水平的能力。此外，尽管使用非光滑优化问题，我们的方法仍然保证收敛到其最优解。合成数据上的实验表明，我们的方法相比，现有的多元回归模型的竞争力。此外，经验上，我们的方法已经验证了非常有前途的结果，在两个示例性的现实世界的应用：第一个关注的预测\textit{Big-Five}个性的基础上，在社交网络网站（SNS）的用户行为，而第二个是3D人类手部姿势估计从深度图像。我们的方法和比较方法的实施以及所涉及的数据集都是公开的，以支持开源和可复制的研究计划。
2017-01-11 cs.CV cs.LG stat.ML
Alternating Minimization Converges Super-Linearly for Mixed Linear Regression
UC Berkeley（加州大学伯克利分校）
本文研究了混合随机线性方程组的求解问题。我们有来自多个线性回归的未标记观测值，每个观测值对应于其中一个回归模型。目标是从观测中学习线性回归。传统上，交替最小化（AM）（这是期望最大化（EM）的变体）被用来解决这个问题。AM迭代地在标签的估计和用估计的标签解决回归问题之间交替。经验上，可以观察到，对于包括混合线性回归在内的各种非凸问题，AM与基于梯度的算法相比以快得多的速率收敛。然而，现有的理论表明AM和基于梯度的方法具有相似的收敛速率，未能捕获这种经验行为。在本文中，我们关闭这个差距之间的理论和实践的特殊情况下的混合物的$2$线性回归。我们表明，提供适当的初始化，AM享有\emph{super-linear}率的收敛在某些参数制度。据我们所知，这是第一个工作，理论上建立了这样的速度为AM。因此，如果我们想将未知回归恢复到$ε$的错误（在$\ell_2$范数中），AM只需要$\mathcal{O}(\log \log (1/ε))$迭代。此外，我们比较AM与基于梯度的启发式算法的经验，并表明AM占主导地位的迭代复杂度以及挂钟时间。
2020-08-11 cs.LG stat.ML
Nonlinear Distribution Regression for Remote Sensing Applications
在许多遥感应用中，人们希望从观测中估计感兴趣的变量或参数。当目标变量的分辨率与遥感观测值相匹配时，标准算法，如神经网络、随机森林或高斯过程，很容易将两者联系起来。然而，我们经常遇到这样的情况，即目标变量仅在组一级可用，即集体与一些遥感观测相关联。此问题设置在统计学和机器学习中称为{ \em多实例学习}或{ \em分布回归}。本文介绍了一种非线性（基于核）的分布回归方法，解决了以前的问题，而不作任何假设的统计分组数据。所提出的配方考虑再生核希尔伯特空间中的分布嵌入，并执行标准的最小二乘回归与其中的经验均值。一个灵活的版本，以处理不同的维度和样本量的多尺度数据也提出和评估。它允许使用每个传感器的本地空间分辨率，避免了匹配程序的需要。注意到该方法的计算成本很大，我们通过随机傅立叶特征引入了一个有效的版本来处理数百万个点和组。
2020-12-07 cs.LG eess.SP
Learning from Aggregate Observations
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
我们研究了从聚合观测中学习的问题，其中监督信号被给予实例集而不是单个实例，而目标仍然是预测未见过的个体的标签。一个著名的例子是多实例学习（MIL）。在本文中，我们扩展MIL超出二进制分类的其他问题，如多类分类和回归。我们提出了一个通用的概率框架，可容纳各种聚合观测，例如，用于分类的成对相似性/三联体比较和用于回归的平均值/差异/秩观察。简单的极大似然解可以应用于各种可微模型，例如深度神经网络和梯度提升机。此外，我们发展的概念一致性的等价关系来描述我们的估计，并表明它有很好的收敛性在温和的假设下。三个问题的设置-分类通过三元组比较和回归通过均值/秩观察的实验表明，所提出的方法的有效性。
2021-01-07 cs.LG stat.ML
A Provably Accurate Randomized Sampling Algorithm for Logistic Regression
Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出一种基于杠杆分数采样的随机算法，用于在大规模数据上高效近似逻辑回归的估计概率和模型偏差，并通过理论和实验证明其精确性与计算效率。
2024-03-31 cs.DS cs.LG stat.ML
Multinomial Logistic Regression Algorithms via Quadratic Gradient
多项逻辑回归，也被称为多类逻辑回归和softmax回归，是一种基本的分类方法，将二元逻辑回归推广到多类问题。最近的工作提出了一种更快的梯度称为$\texttt{quadratic gradient}$，可以加速二元逻辑回归的训练，并提出了一个增强的Nesterov的加速梯度（NAG）方法的二元逻辑回归。在本文中，我们将这项工作扩展到多类逻辑回归，并提出了一个增强的自适应梯度算法（Adagrad），可以加速原来的Adagrad方法。我们在一些多类问题数据集上测试了增强的NAG方法和增强的Adagrad方法。实验结果表明，这两种增强方法的收敛速度分别比原来的。
2023-03-29 cs.LG math.OC
Nonlinear Regression Analysis Using Multi-Verse Optimizer
Bankura Unnayani Institue of Engineering（班库拉乌纳亚尼工程学院）
回归分析是一种重要的机器学习任务，用于商业预测分析、体育分析等。在回归分析中，优化算法在搜索回归模型中的系数方面发挥着重要作用。在本文中，非线性回归分析，使用最近开发的元启发式多Verse优化（MVO）。该方法被应用到10个著名的基准非线性回归问题。与粒子群优化算法（PSO）进行了比较研究。实验结果表明，该方法在统计上优于粒子群算法。
2020-04-28 cs.LG stat.ML
Handling Missing Data in Probabilistic Regression Trees
Universidade Federal do Rio Grande do Sul（南里奥格兰德联邦大学）
本文扩展PRTree框架，提出三种处理缺失数据的策略，经多数据集验证，所提方法在缺失比例高时优于CART，且保留树模型的可解释性与灵活性。
2026-08-07 cs.LG stat.ML
On the well-spread property and its relation to linear regression
ETH Zürich（苏黎世联邦理工学院）
我们考虑稳健的线性回归模型$\boldsymbol{y} = Xβ^* + \boldsymbolη$，其中对手不知道的设计$X \in \mathbb{R}^{n \times d}$可能会选择$\boldsymbolη$损坏所有，但（可能消失）的一部分，观察$\boldsymbol{y}$在一个任意的方式。最近的工作[dLN+21，dNS 21]已经引入了有效的算法，一致恢复的参数向量。这些算法主要依赖于设计矩阵的良好分布（如果矩阵的列跨度远离任何稀疏向量，则矩阵是良好分布的）。在本文中，我们发现，存在一个家庭的设计矩阵缺乏良好的传播，使一致恢复的参数向量在上述稳健线性回归模型是信息理论上是不可能的。我们进一步研究了证明随机矩阵良好扩展性的平均情况下的时间复杂度。我们表明，它是可以有效地证明是否一个给定的$n$ -由- $d$高斯矩阵是良好的传播，如果观察的数量是二次的环境尺寸。我们补充这一结果，显示严格的证据-在对低次多项式的下限的形式-的计算硬度时，观察的数量是$o(d^2)$的这个相同的认证问题。
2022-06-16 cs.LG stat.ML
Streaming kernel regression with provably adaptive mean, variance, and regularization
Laval University（拉瓦尔大学）；INRIA（法国国家信息与自动化研究所）；McGill University（麦吉尔大学）
我们考虑流核回归的问题，当观察顺序到达，目标是恢复潜在的平均函数，假设属于RKHS。假设噪声的方差是未知的。在这种情况下，我们解决了在每个时间步长自适应调整正则化参数的问题，同时保持严格的置信区间估计的均值函数在每个点的值。为此，我们首先推广现有的有限维线性回归与固定的正则化和已知的方差的核设置与正则化参数允许是一个可测量的功能，过去的观察结果。然后，使用适当的自归一化不等式，我们建立上，下界估计的方差，导致Bersntein样的浓度范围。后者用于定义自适应正则化。从我们的技术所产生的界限是有效的，在所有的观察点和所有的时间步长一致，并与文献的数值实验进行比较。最后，这些工具的潜力说明了应用内核化的土匪，在那里我们重温内核UCB和内核汤普森采样程序，并显示新的自适应内核调整策略的好处。
2017-08-02 cs.LG stat.ML
Stability of Multi-Task Kernel Regression Algorithms
Aix-Marseille University（艾克斯-马赛大学）；CNRS（法国国家科学研究中心）
在具有算子核的再生Hilbert空间中研究了非线性多任务回归的稳定性。这样的内核，也称为多任务内核适用于具有非标量输出的学习问题，如多任务学习和结构化输出预测。我们证明了多任务核回归算法在无限维输出空间的一般情况下是一致稳定的。然后，我们推导出在温和的假设下的核广义界的算法，我们证明了它们的一致性，甚至与非Hilbert-Schmidt算子值的内核。我们演示了如何将结果应用于各种多任务核回归方法，如向量值SVR和函数岭回归。
2013-06-17 cs.LG stat.ML
A Hidden Variables Approach to Multilabel Logistic Regression
University of Florida（佛罗里达大学）
多标签分类是文本分类、音乐标注等领域的一个重要问题。在本文中，我们提出了一个概率模型，多标签逻辑回归与隐藏变量（MLRH），它扩展了标准的逻辑回归通过引入隐藏变量。隐藏变量使其有可能超越传统的多类逻辑回归放松one-hot编码约束。我们定义了一个新的标签和隐藏变量的联合分布，使我们能够获得一个多标签分类器。我们在一组基准数据集上的实验研究表明，与其他多标签学习算法相比，概率模型可以获得具有竞争力的性能。
2019-12-03 cs.LG stat.ML
SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives
ETH Zürich（苏黎世联邦理工学院）；Max Planck ETH Center for Learning Systems（马克斯·普朗克-苏黎世联邦理工学院学习系统中心）；Max Planck Institute for Intelligent Systems, Tübingen（图宾根马克斯·普朗克智能系统研究所）
高斯过程是一种重要的回归工具，具有良好的分析特性，可以直接积分导数观测值。然而，普通GP方法在观测量方面是立方尺度的。在这项工作中，我们提出了一种新的方法来缩放GP回归与导数的基础上正交傅立叶功能。然后，我们证明了确定性，非渐近和指数快速衰减的误差界，适用于两个近似的内核以及近似后。为了进一步说明我们的方法的实用性，我们将其应用到ODIN，最近开发的算法ODE参数推断。在广泛的实验部分，所有的结果进行了经验验证，证明了这种方法的速度，准确性和实用性。
2020-03-05 cs.LG math.DS stat.ML
Learning to Plan via a Multi-Step Policy Regression Method
Heinrich Heine University Düsseldorf（杜塞尔多夫海因里希·海涅大学）
我们提出了一种新的方法，以提高推理性能的环境中，需要一个特定的动作序列，以解决。这是例如迷宫环境的情况，其中理想地确定最优路径。我们不是学习单步的的策略，而是学习一个可以提前预测n个动作的策略。我们提出的方法称为政策地平线回归（PHR）使用A2C采样的环境知识，学习一个n维的政策向量的政策蒸馏设置，产生n个连续的行动，每个观察。我们在MiniGrid和Pong环境中测试了我们的方法，并通过成功预测单个观察的动作序列，在推理时间内显示出大幅加速。
2021-06-18 cs.AI cs.LG cs.RO
Regression Planning Networks
Stanford University（斯坦福大学）
最近的学习规划方法已经显示出有前途的结果规划直接从观察空间。然而，他们计划长期任务的能力受到预测模型准确性的限制。另一方面，经典的符号规划器在解决长期任务方面表现出卓越的能力，但它们需要预定义的符号规则和符号状态，限制了它们在现实世界中的适用性。在这项工作中，我们结合了这两种模式的好处，并提出了一种学习计划的方法，可以直接生成一个长期的象征性的计划条件下的高维观测。我们从经典规划文献中借用回归（向后）规划的思想，并引入回归规划网络（RPN），这是一种神经网络架构，它从任务目标开始向后规划，并生成一系列达到当前观察的中间目标。我们表明，我们的模型不仅继承了象征性规划的许多有利特征，例如，解决以前看不见的任务的能力，但也可以以端到端的方式从视觉输入中学习。我们评估了RPN在网格世界环境和模拟3D厨房环境中的能力，这些环境具有复杂的视觉场景和长任务范围，并表明它在全新的任务实例中实现了接近最佳的性能。
2019-09-28 cs.AI cs.CV cs.LG
