Semi-Supervised Segmentation of Mitochondria from Electron Microscopy Images Using Spatial Continuity
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
线粒体的形态在介导其生理功能中起着关键作用。从3D电子显微镜（EM）图像中准确分割线粒体对于在纳米尺度上定量表征其形态是必不可少的。为此任务开发的完全监督的深度学习模型具有出色的性能，但需要大量的注释数据进行训练。然而，EM图像的手动注释是费力和耗时的，因为它们的体积大，对比度有限，和低信噪比（SNR）。为了克服这一挑战，我们提出了一种半监督深度学习模型，该模型通过利用标记和未标记图像中线粒体结构、形态和上下文信息的空间连续性来分割线粒体。我们使用随机分段仿射变换来合成全面而真实的线粒体形态，以增强训练数据。EPFL数据集上的实验表明，我们的模型达到了与最先进的完全监督模型相似的性能，但只需要约20%的注释训练数据。我们的半监督模型是通用的，也可以准确地分割其他空间连续的结构从EM图像。本研究的数据和代码可在https://github.com/cbmi-group/MPP上公开访问。
2022-06-06 cs.CV cs.LG
Semantics for Global and Local Interpretation of Deep Neural Networks
The University of Munich（慕尼黑大学）；Siemens AG（西门子股份公司）
具有高表现力的深度神经网络（DNN）在许多任务中已经实现了最先进的性能。然而，它们的分布式特征表示很难从语义上解释。在这项工作中，人类可解释的语义概念与特征空间中的向量相关联。关联过程在数学上被表述为优化问题。从最优解获得的语义向量被应用于全局和局部地解释深度神经网络。全局解释对于理解DNN学习的知识是有用的。对本地行为的解释可以帮助更好地理解DNN做出的个人决策。实证实验演示了如何使用识别的语义来解释现有的DNN。
2019-10-21 cs.CV cs.LG
Deep Deterministic Uncertainty for Semantic Segmentation
University of Oxford（牛津大学）
我们扩展了深度确定性不确定性（DDU），一种使用特征空间密度的不确定性估计方法，用于语义分割。DDU使量化和解开认识和任意的不确定性在一个单一的向前通过模型。我们研究了同一类在不同位置的像素的特征表示的相似性，并得出结论，它是可行的，独立地应用DDU位置，这导致显着减少内存消耗相比，像素依赖DDU。在Pascal VOC 2012上使用DeepLab-v3+架构，我们证明了DDU在MC Dropout和Deep Ensembles上的改进，同时计算速度明显更快。
2021-10-29 cs.CV cs.LG
Deep Semantic Ranking Based Hashing for Multi-Label Image Retrieval
Center for Research on Intelligent Perception and Computing（智能感知与计算研究中心）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
随着网络图像的快速增长，哈希算法在大规模图像检索中受到越来越多的关注。研究工作一直致力于学习紧凑的二进制代码，保持基于标签的语义相似性。然而，这些哈希方法中的大多数被设计为处理简单的二进制相似性。与多个标签相关联的图像的复杂的多级语义结构尚未得到很好的探索。在这里，我们提出了一种基于深度语义排名的方法来学习哈希函数，该方法可以保持多标签图像之间的多级语义相似性。在我们的方法中，深度卷积神经网络被纳入哈希函数，以共同学习特征表示和从它们到哈希码的映射，这避免了手工特征的语义表示能力的限制。同时，采用编码多级相似性信息的排序列表来指导这种深度哈希函数的学习。一个有效的计划的基础上替代损失是用来解决棘手的优化问题的非光滑和多变量的排名措施的学习过程。实验结果表明，我们提出的方法优于几个国家的最先进的哈希方法在多标签图像数据集上测试时，在排名评价指标。
2015-04-19 cs.CV cs.LG
Semantic Depth Matters: Explaining Errors of Deep Vision Networks through Perceived Class Similarities
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（理论与应用信息研究所，波兰科学院）
本文提出了一种通过感知类别相似性解释深度视觉网络错误的方法，揭示了语义深度对误分类模式的影响。
2026-01-28 cs.CV cs.LG
DeepSEE: Deep Disentangled Semantic Explorative Extreme Super-Resolution
Computer Vision Lab, ETH Zürich（苏黎世联邦理工学院计算机视觉实验室）
超分辨率（SR）是病态的。对于一个给定的低分辨率自然图像，有无限多的看似合理的高分辨率变体。目前大多数文献的目的是在一个单一的确定性的解决方案，无论是高重建保真度或照片逼真的感知质量。在这项工作中，我们提出了一个探索性的面部超分辨率框架，DeepSEE，深度解纠缠语义探索极端超分辨率。据我们所知，DeepSEE是第一种利用语义地图进行探索性超分辨率的方法。特别是，它提供了控制的语义区域，其解开的外观，它允许广泛的图像操作。我们在人脸上验证DeepSEE，放大倍数高达32倍，并探索超分辨率空间。我们的代码和模型可在https://mcbuehler.github.io/DeepSEE/上获得
2020-10-02 cs.CV cs.LG eess.IV
Improving the Reliability of Semantic Segmentation of Medical Images by Uncertainty Modeling with Bayesian Deep Networks and Curriculum Learning
Hiroshima University（广岛大学）；Nagoya Institute of Technology（名古屋工业大学）
在本文中，我们提出了一种新的方法，该方法通过课程学习利用贝叶斯深度网络提供的不确定性度量，以便将不确定性估计反馈给系统，从而在不确定性较高的区域更密集地重新采样训练数据。我们表明，在具体设置的语义分割任务（iPS细胞集落分割），该系统能够显着增加模型的可靠性。
2021-08-26 cs.CV cs.LG cs.NE
Towards Analyzing Semantic Robustness of Deep Neural Networks
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学（KAUST））
尽管深度神经网络（DNN）在各种视觉任务上表现出令人印象深刻的性能，但它们仍然对语义基元（例如对象姿势）表现出错误的高敏感性。我们提出了一个理论接地分析DNN的鲁棒性在语义空间。我们通过将DNN的全局行为可视化为语义映射来定性分析不同DNN的语义鲁棒性，并观察一些DNN的有趣行为。由于生成这些语义映射并不能很好地扩展语义空间的维度，我们开发了一种自下而上的方法来检测DNN的鲁棒区域。为了实现这一点，我们正式的问题，找到强大的语义区域的网络优化积分界和我们开发的区域边界的更新方向的表达式。我们使用我们开发的公式来定量评估不同流行的网络架构的语义鲁棒性。我们通过大量的实验表明，几个网络虽然在同一数据集上训练并具有相当的准确性，但在语义鲁棒性方面并不一定表现相似。例如，InceptionV3更准确，尽管在语义上不如ResNet50鲁棒。我们希望这个工具将成为理解DNN语义健壮性的里程碑。
2020-09-08 cs.CR cs.CV cs.LG
Semantic Image Retrieval by Uniting Deep Neural Networks and Cognitive Architectures
SingularityNET Foundation（奇点网基金会）；Novamente LLC（Novamente有限责任公司）；ITMO University（圣彼得堡国立信息技术机械与光学大学）；Cisco（思科）
图像和视频检索的语义内容一直是一个重要的和具有挑战性的任务多年来，因为它最终需要弥合符号/子符号的差距。最近在深度学习方面取得的成功使许多类别的物体检测大大优于传统的计算机视觉技术。然而，能够执行检索查询的深度学习解决方案仍然不可用。我们提出了一种混合解决方案，由用于目标检测的深度神经网络和用于查询执行的认知架构组成。具体来说，我们使用YOLOv 2和OpenCog。实现了允许检索包含指定类别和指定空间布置的对象的视频帧的方法。
2018-06-14 cs.AI cs.CV cs.IR
Deep neural networks for smooth approximation of physics with higher order and continuity B-spline base functions
AGH University of Science and Technology（AGH科技大学）；Jagiellonian University（雅盖隆大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文主要研究以下几个重要问题。传统上，神经网络采用与线性算子级联的非线性激活函数来近似给定的物理现象。他们用激活函数和线性算子的串联“填充空间”，并调整它们的系数以近似物理现象。我们主张，最好是“填充空间”的光滑高阶B样条基函数的线性组合，采用等几何分析，并利用神经网络来调整线性组合的系数。也就是说，评估了用神经网络逼近B样条基函数系数和直接逼近解的可能性。Maziar Raissi等人在2017年通过引入物理信息神经网络（PINN）提出了用神经网络求解微分方程，PINN自然地将潜在的物理定律编码为先验信息。使用函数作为输入的系数的近似利用了神经网络作为通用函数近似器的公知能力。本质上，在PINN方法中，网络近似于给定点处给定字段的值。本文提出了一种新的方法，将物理量近似为光滑B样条基函数的线性组合，用神经网络逼近B样条基函数的系数。本研究比较了DNN逼近B样条基函数的线性组合系数与DNN直接逼近解的结果。我们表明，我们的方法是更便宜，更准确的近似光滑的物理场。
2022-01-03 cs.LG cs.NA math.NA
Deep Learning-Based Semantic Segmentation of Microscale Objects
University of Washington（华盛顿大学）
微尺度物体的位置和形状的准确估计对于使用非接触技术（诸如光学镊子）的自动成像引导操纵是至关重要的。当操作环境拥挤时，使用传统计算机视觉算法的感知方法往往会失败。在本文中，我们提出了一个深度学习模型，用于对代表此类环境的图像进行语义分割。我们的模型成功地进行了分割，平均交集超过联盟得分为0.91。
2019-07-03 cs.CV cs.LG eess.IV
Interpretability in Deep Time Series Models Demands Semantic Alignment
University of Padua（帕多瓦大学）
本文提出深度时间序列模型的可解释性应追求语义对齐，即预测应基于对用户有意义的变量，并受时空机制约束，同时需保持时间演化下的语义一致性，为此提供了形式化定义和模型设计蓝图。
2026-08-24 cs.LG
DCoM: A Deep Column Mapper for Semantic Data Type Detection
Optum Global Solutions（Optum全球解决方案）
语义数据类型检测是数据科学中一项非常重要的任务，可以实现数据自动清洗、模式匹配、数据发现、语义数据类型规范化和敏感数据识别等。现有的方法包括基于正则表达式或基于字典查找的方法，这些方法对于脏的以及看不见的数据不是鲁棒的，并且限于要预测的非常少数量的语义数据类型。现有的机器学习方法从数据中提取大量的工程特征，并为此目的构建逻辑回归、随机森林或前馈神经网络。在本文中，我们介绍了DCoM，这是一个基于多输入NLP的深度神经网络的集合，用于检测语义数据类型，其中不是从数据中提取大量特征，而是将列（或实例）的原始值作为文本提供给模型。我们对从VizNet语料库中提取的686，765个数据列进行训练DCoM，这些数据列具有78种不同的语义数据类型。DCoM优于其他当代结果，在同一数据集上具有相当显著的优势。
2021-06-24 cs.AI cs.CV cs.LG
Recognizing Semantic Features in Faces using Deep Learning
VicarVision
人脸不断地传达信息，无论是有意识的还是潜意识的。然而，尽管人类在视觉上解释这些信息是基本的，但这对机器来说是一个相当大的挑战。传统的语义面部特征识别和分析技术已经在使用，并且是基于生理学的，但是它们缺乏鲁棒性和高计算时间。本论文旨在探索如何让机器学习以自动化的方式来解释人脸中可用的语义信息，而不需要手动设计特征检测器，使用深度学习的方法。本文研究了在确定语义面部特征识别任务的最佳网络配置的过程中，深度神经网络的各种因素和超参数的影响。本文探讨了该系统识别各种语义特征（如情感、年龄、性别、种族等）的有效性。出现在脸上。此外，通过分析不同语义特征的低层描述符的相似性，探讨了高层概念对低层特征的影响之间的关系。本文还展示了一种新的想法，使用深度网络从真实世界的2-D图像生成3-D主动外观模型的人脸。有关这项工作的更详细报告，请参见[arXiv：1512.00743v1]。
2016-10-19 cs.AI cs.CV cs.LG
Deep Collaborative Discrete Hashing with Semantic-Invariant Structure
The University of Queensland（昆士兰大学）
现有的深度哈希方法未能充分挖掘语义相关性，忽视了语言语境对视觉注意学习的影响，导致性能较差。本文提出了一个双流学习框架，称为深度协作离散散列（DCDH），它通过协作结合从视觉特征和语义标签推导出的共享和个体语义来构建一个有区别的公共离散空间。具体地说，上下文感知表示是通过采用视觉嵌入和语义编码的外积来生成的。此外，我们重建标签，并引入焦点损失，以利用频繁和罕见的概念。共同二进制代码空间是建立在语言参与的视觉表示，语义不变的结构建设和标签分布校正的联合学习。大量的实验证明了我们的方法的优越性。
2019-11-05 cs.IR cs.LG
From Semantic Retrieval to Pairwise Ranking: Applying Deep Learning in E-commerce Search
我们将深度学习模型引入到全球最大的电子商业平台之一JD.com的产品搜索中最重要的两个阶段。具体来说，我们概述了一个深度学习系统的设计，该系统可以在几毫秒内检索与查询语义相关的项目，以及一个成对的深度重新排名系统，该系统可以学习微妙的用户偏好。与传统的搜索系统相比，本文提出的方法在语义检索和个性化排序方面有了明显的改进。
2021-03-24 cs.AI cs.IR cs.LG
DeepSI: Interactive Deep Learning for Semantic Interaction
Virginia Tech（弗吉尼亚理工大学）
本文提出 DeepSI_finetune 框架，将深度学习嵌入语义交互回路，通过交互微调表示以更少交互更准确地推断用户意图。
2023-05-26 cs.AI cs.CL cs.HC
Enhancing Semantic Communication with Deep Generative Models -- An ICASSP Special Session Overview
Sapienza University of Rome（罗马第一大学）；Sony Group Corporation（索尼集团公司）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文从机器学习视角综述了语义通信的挑战，指出深度生成模型能有效解决复杂语义信息提取、数据重建及信道鲁棒性问题，并为下一代生成式语义通信框架规划了新研究路径。
2023-09-05 cs.AI cs.LG eess.SP
Deep or Simple Models for Semantic Tagging? It Depends on your Data [Experiments]
Megagon Labs（Megagon Labs（Megagon实验室））
语义标记在文本挖掘中有着广泛的应用，它预测给定的文本是否传达了给定的语义标记的含义。语义标记的问题在很大程度上是通过监督学习来解决的，而今天，深度学习模型被广泛认为更适合语义标记。然而，没有全面的研究支持流行的信念。实践者经常必须为每个语义标记任务训练不同类型的模型以识别最佳模型。这个过程既昂贵又低效。我们开始了一项系统的研究，以调查以下问题：深度模型是所有语义标记任务的最佳执行模型吗？为了回答这个问题，我们将深度模型与具有不同特征的数据集上的“简单模型”进行比较。具体来说，我们选择了三种流行的深度模型（即CNN，LSTM和BERT）和两种简单模型（即LR和SVM），并比较了它们在21个数据集上的语义标记任务的性能。结果表明，数据集的大小，标签比例和标签清洁度显着影响语义标注的质量。简单模型在大型数据集上实现了与深度模型相似的标记质量，但简单模型的运行时间要短得多。此外，当目标数据集显示更差的标签清洁度和/或更严重的不平衡时，简单模型可以实现比深度模型更好的标记质量。基于这些发现，我们的研究可以系统地指导从业者选择正确的学习模式，他们的语义标记任务。
2020-10-08 cs.CL cs.DB cs.LG
Semantics and explanation: why counterfactual explanations produce adversarial examples in deep neural networks
Australian National University（澳大利亚国立大学）
最近关于可解释人工智能的论文为反事实的解释模式提供了令人信服的理由。虽然反事实解释在某些情况下似乎非常有效，但它们在形式上等同于对抗性例子。这为可解释性研究者提出了一个明显的悖论：如果这两个程序在形式上是等价的，那么是什么解释了反事实解释和对抗性例子之间明显的解释性分歧？我们解决这个悖论，把重点放在反事实表达的语义。为深度学习系统提供令人满意的解释将要求我们找到解释深度神经网络中隐藏层表示的语义的方法。
2020-12-18 cs.AI cs.CY cs.LG
From Pixels to Buildings: End-to-end Probabilistic Deep Networks for Large-scale Semantic Mapping
Brown University（布朗大学）；University of Washington（华盛顿大学）；KTH（瑞典皇家理工学院）
我们介绍TopoNets，端到端概率深度网络，用于建模语义地图，其结构反映了大规模环境的拓扑结构。TopoNets构建了一个统一的深度网络，跨越多个抽象层次和空间尺度，从代表局部几何的像素到建筑物语义的高级描述。为此，TopoNets利用以任意动态图形表示的复杂空间关系。我们演示了如何TopoNets可以用来执行端到端的语义映射，从部分感官观察和嘈杂的拓扑关系发现的机器人探索大规模的办公空间。由于其概率性质和生成特性，TopoNets将语义映射问题扩展到分类之外。我们表明，TopoNets成功地执行不确定的推理尚未探索的空间和检测未知的机器人的新的和不一致的环境配置。我们的TopoNets实现了实时，易处理和精确的推理，这使得这些新的深度模型成为大规模移动机器人空间理解的一个有前途的，实用的解决方案。
2019-09-10 cs.LG cs.RO
Music Transcription by Deep Learning with Data and "Artificial Semantic" Augmentation
National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"（乌克兰国立技术大学“伊戈尔·西科尔斯基基辅理工学院”）；University Paris 8（巴黎第八大学）
在这篇进展论文中，介绍了通过深度学习进行单音符识别的先前结果。提出了几种数据增强和“人工语义”增强的方法，通过增加训练数据的维度及其无损和有损变换，来提高用于单音和复调音符识别的深度学习方法的效率。
2017-12-08 cs.LG cs.SD eess.AS
Learning Scalable and Precise Representation of Program Semantics
Visa Research（Visa研究院）
神经程序嵌入已显示出帮助分析大规模复杂软件的潜力。新提出的深度神经架构以学习程序语义而不是表面的语法特征为荣。然而，由于只考虑源代码，绝大多数神经网络不能捕获程序语义的深层精确表示。在本文中，我们提出了\dypro，一种新的深度神经网络，从程序执行轨迹学习。与现有的动态模型相比，\dypro不仅能够在多个执行中泛化，以整体地学习程序的动态语义，而且\dypro在处理产生长执行轨迹的程序时也更有效。为了进行评估，我们对\dypro进行了语义分类（即根据语义对程序进行分类），并将其与两个主要的静态模型进行了比较：门控图神经网络和TreeLSTM。我们发现，\dypro达到所有模型中最高的预测精度。为了进一步揭示所有上述深度神经架构的能力，我们研究了模型是否可以学习检测程序的更深层次语义属性。特别是考虑到识别循环不变的任务，我们显示\dypro击败了所有静态模型的一个很大的利润。
2019-05-26 cs.LG cs.PL
SCU: An Efficient Machine Unlearning Scheme for Deep Learning Enabled Semantic Communications
School of Computer Science, University of Technology Sydney（悉尼科技大学计算机学院）；Macquarie University（麦考瑞大学）
针对深度学习赋能的语义通信中用户数据擦除需求，提出SCU方案，通过最小化互信息实现编解码器联合遗忘，并采用对比补偿方法恢复模型效用，在三个数据集上验证了有效性与效率。
2025-02-27 cs.CR cs.LG
A Knowledge Graph and Deep Learning-Based Semantic Recommendation Database System for Advertisement Retrieval and Personalization
The University of Hong Kong（香港大学）；Northeastern University（东北大学）；Stanford University（斯坦福大学）
本文提出KGSR-ADS系统，通过知识图谱与深度学习结合，实现广告检索与个性化推荐的高效语义匹配和大规模检索。
2025-12-25 cs.AI cs.IR cs.LG
A Philosophical Introduction to Language Models -- Part I: Continuity With Classic Debates
Macquarie University（麦考瑞大学）；University of Houston（休斯顿大学）
本文探讨大型语言模型与认知科学、AI和语言学经典哲学争论的联系，指出其成功挑战了传统假设，并强调需进一步实证研究其内部机制。
2024-01-08 cs.AI cs.CL cs.LG
Joint Task and Data Oriented Semantic Communications: A Deep Separate Source-channel Coding Scheme
the Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
针对语义通信中联合数据传输与任务推理需求，提出DSSCC框架，利用变分自编码器、前向自适应和迭代训练优化语义率失真，并在图像传输分类中取得更优性能。
2023-08-13 cs.IT cs.LG eess.SP
A mathematical theory of semantic development in deep neural networks
University of Oxford（牛津大学）；Stanford University（斯坦福大学）；Google Brain（谷歌大脑）
大量的实证研究揭示了人类语义知识的获取、组织、部署和神经表征的显著差异，从而提出了一个基本的概念性问题：通过整合许多个体经验，控制神经网络获取、组织和部署抽象知识的能力的理论原则是什么？我们通过数学分析深度线性网络中学习的非线性动力学来解决这个问题。我们找到了这种学习动态的确切解决方案，这些解决方案为语义认知中许多不同现象的流行提供了概念解释，包括通过快速发展过渡的概念层次分化，这种过渡之间语义错觉的普遍存在，项目典型性和类别连贯性的出现作为控制语义处理速度的因素，在发展过程中不断变化的归纳投射模式，以及在不同物种的神经表征中保持语义相似性。因此，令人惊讶的是，我们的简单神经模型定性地概括了许多不同的语义发展基础，同时提供了对环境的统计结构如何与非线性深度学习动态相互作用以产生这些语义的分析见解。
2018-10-23 cs.AI cs.LG q-bio.NC
Deep Reinforcement Learning with Distributional Semantic Rewards for Abstractive Summarization
University of California, Santa Barbara（加州大学圣巴巴拉分校）；Beijing University of Posts and Telecommunications（北京邮电大学）
深度强化学习（RL）是一种常用的抽象摘要任务的策略，以解决暴露偏差和不可区分的任务问题。然而，传统的奖励Rouge-L只是寻找候选和注释引用之间的精确n-gram匹配，这不可避免地使生成的句子重复和不连贯。在本文中，而不是Rouge-L，我们探讨了利用分布语义来衡量匹配度的可行性。利用分布式语义，可以获得语义级评价，并且还可以生成语义正确的短语，而不限于参考句子的表面形式。Gigaword和CNN/Daily Mail数据集上的人类判断表明，我们提出的分布式语义奖励（DSR）在捕获自然语言的词汇和成分多样性方面具有明显的优势。
2019-09-10 cs.AI cs.CL cs.LG
Compositional generalization in a deep seq2seq model by separating syntax and semantics
University of Colorado Boulder（科罗拉多大学博尔德分校）；MILA（蒙特利尔学习算法研究所）；Université de Montréal（蒙特利尔大学）
用于自然语言处理的深度学习中的标准方法无法捕获人类语言的组成结构，该结构允许在训练分布之外进行系统泛化。然而，人类学习者很容易以这种方式进行归纳，例如通过将已知的语法规则应用于新单词。受神经科学工作的启发，建议单独的大脑系统进行句法和语义处理，我们对神经机器翻译中的标准方法进行了修改，实施了类似的分离。我们称之为句法注意力的新模型在SCAN数据集上的深度学习中大大优于标准方法，这是一种组合泛化任务，没有任何手工设计的功能或额外的监督。我们的工作表明，分离句法语义学习可能是一个有用的启发式捕捉成分结构。
2019-05-23 cs.CL cs.LG stat.ML
Sherlock: A Deep Learning Approach to Semantic Data Type Detection
MIT Media Lab（麻省理工学院媒体实验室）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Megagon Labs（Megagon实验室）
正确检测数据列的语义类型对于自动数据清理、模式匹配和数据发现等数据科学任务至关重要。现有的数据准备和分析系统依赖于字典查找和正则表达式匹配来检测语义类型。然而，这些基于匹配的方法通常对脏数据不健壮，并且仅检测有限数量的类型。我们介绍Sherlock，一个用于检测语义类型的多输入深度神经网络。我们通过将DBpedia中的$78$语义类型与列标题进行匹配，在从VizNet语料库检索的$686,765$数据列上对Sherlock进行训练。我们用描述列值的统计特性、字符分布、词嵌入和段落向量的$1,588$特征来表征每个匹配列。Sherlock的支持加权F $_1$得分为$0.89$，超过了机器学习基线、字典和正则表达式基准以及众包注释的一致性。
2019-05-25 cs.DB cs.IR cs.LG
Visual Interaction with Deep Learning Models through Collaborative Semantic Inference
Harvard NLP group（哈佛自然语言处理组）；IBM Research Cambridge（IBM剑桥研究院）；MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）；Harvard Visual Computing group（哈佛视觉计算组）
当人类失去决策过程的代理权时，任务的自动化可能会产生严重的后果。深度学习模型特别容易受到影响，因为目前的黑盒方法缺乏可解释的推理。我们认为，深度学习系统的视觉界面和模型结构都需要考虑交互设计。我们提出了一个框架的协作语义推理（CSI）的交互和模型的协同设计，使人类和算法之间的视觉协作。该方法公开了模型的中间推理过程，允许与问题的视觉隐喻进行语义交互，这意味着用户可以理解和控制模型推理过程的部分。我们证明了CSI的可行性与共同设计的案例研究的文件摘要系统。
2019-07-24 cs.AI cs.CL cs.HC
Semantic-aware Transmission Scheduling: a Monotonicity-driven Deep Reinforcement Learning Approach
The University of Sydney（悉尼大学）；Queensland University of Technology (QUT)（昆士兰科技大学）
针对6G信息物理系统中语义感知传输调度决策空间巨大、现有算法难以求得最优策略的问题，本文分析最优策略性质并据此提出单调性驱动的DRL算法，显著减少训练时间并提升性能。
2023-09-21 cs.AI cs.IT cs.LG
