Leveraging Intra-Period and Inter-Period Features for Enhanced Passenger Flow Prediction of Subway Stations
Tongji University(同济大学);Urban Mobility Institute, Tongji University(同济大学城市交通研究院)
本文提出多周期时空网络MPSTN,将一维客流序列按周期折叠为二维矩阵,结合CNN提取周期内与周期间时间特征、GNN整合站点空间特征,在公开数据集上取得最小预测误差。
2024-10-16 cs.LG
Leveraging Network Dynamics for Improved Link Prediction
University of Central Florida(中佛罗里达大学);Sandia National Labs(桑迪亚国家实验室)
链接预测的目的是基于先前观察到的链接的示例来预测未来最有可能发生的连接。一个关键的见解是,在进行链接预测时,显式地对网络动态(链接创建或破坏的频率)进行建模是有用的。在本文中,我们介绍了一个新的监督链接预测框架,RPM(率预测模型)。除了网络相似性度量,RPM还使用预测的链接修改率,使用时间序列数据建模;它在Spark-ML中实现,并使用原始链接分布进行训练,而不是一个小的平衡子集。我们比较使用这个网络动力学模型直接创建时间序列的网络相似性措施。我们的实验表明,RPM,利用预测率,优于使用网络相似性措施,无论是单独或在一个时间序列。
2016-04-08 cs.LG cs.SI
RadialGAN: Leveraging multiple datasets to improve target-specific predictive models using Generative Adversarial Networks
University of California, Los Angeles(加州大学洛杉矶分校);University of Oxford(牛津大学);Alan Turing Institute(艾伦·图灵研究所)
训练复杂的机器学习模型进行预测通常需要大量数据,而这些数据并不总是现成的。因此,如果要建立良好的预测模型,以便在数据可能稀少的环境中部署,那么利用这些来自相关但不同来源的外部数据集是一项重要任务。在本文中,我们提出了一种新的方法来解决这个问题,在这种方法中,我们使用多个GAN架构来学习从一个数据集转换到另一个数据集,从而使我们能够有效地扩大目标数据集,从而学习比简单地使用目标数据集更好的预测模型。我们展示了这种方法的实用性,证明了我们的方法比仅使用目标数据集提高了目标域的预测性能,并且还表明我们的框架在真实世界医疗数据集的集合上优于其他几个基准。
2018-06-07 cs.LG stat.ML
Leveraging Multi-modal Representations to Predict Protein Melting Temperatures
MoleculeMind Ltd.(分子心智有限公司)
本研究针对蛋白质熔解温度变化预测问题,基于ESM-2、ESM-3、AlphaFold等蛋白质语言模型结合多模态表征构建预测模型,在s571数据集上取得0.50的PCC最优结果,为蛋白质稳定性评估与工程设计提供支持。
2025-03-22 cs.CE cs.LG
Leveraging Financial News for Stock Trend Prediction with Attention-Based Recurrent Neural Network
Queen's University(女王大学)
股票市场预测是一个非常有吸引力的研究课题,因为对市场未来走势的成功预测会带来巨大的利润。传统的短期股票市场预测通常基于对历史市场数据的分析,例如股票价格、移动平均线或每日回报。然而,财经新闻也包含有关上市公司和市场的有用信息。金融文献中的现有方法利用情感信号特征,其受到不考虑事件和新闻上下文等因素的限制。我们通过利用深度神经模型从新闻文本中提取丰富的语义特征来解决这个问题。特别地,使用Bidirectional-LSTM对新闻文本进行编码并捕获上下文信息,应用自注意机制将注意力分配到大多数相关词、新闻和日期上。在预测标准普尔500指数和个别公司的股票价格的方向性变化方面,我们表明,这种技术与其他国家的最先进的方法是有竞争力的,证明了最近的NLP技术进步的有效性计算金融。
2018-11-15 cs.LG q-fin.CP
Leveraging Stochastic Predictions of Bayesian Neural Networks for Fluid Simulations
University of Tübingen(图宾根大学);TU Munich(慕尼黑工业大学)
我们调查的不确定性估计和多模态通过贝叶斯神经网络(BNN)在流体模拟的非确定性预测。为此,我们部署BNN在三个具有挑战性的实验测试情况下,越来越复杂:我们表明,BNN,当用作稳态流体流动预测的代理模型,提供准确的物理预测与合理的估计不确定性。此外,我们的实验与扰动的时间序列的Navier-Stokes模拟和评估的能力BNN捕捉多模态演化。虽然我们的研究结果表明,这对于大扰动来说是有问题的,但我们的研究结果表明,在这种情况下,网络能够正确地预测高不确定性。最后,我们研究BNN的求解器与湍流等离子体流的相互作用的背景下。我们发现,基于BNN的校正网络可以稳定粗粒度的模拟,并成功地创建多模态轨迹。
2022-05-02 cs.LG physics.flu-dyn
Floors are Flat: Leveraging Semantics for Real-Time Surface Normal Prediction
Google(谷歌);Georgia Tech(佐治亚理工学院)
我们提出了4个见解,有助于显着提高深度学习模型的性能,这些模型可以从单个RGB图像中预测表面法线和语义标签。这些见解是:(1)对训练集中的“地面实况”表面法线进行降噪,以确保与语义标签的一致性;(2)同时对真实数据和合成数据的混合进行训练,而不是对合成数据进行预训练并对真实数据进行微调;(3)使用共享模型联合预测法线和语义,但仅在具有有效训练标签的像素上反向传播误差;(4)精简模型,使用灰度代替颜色输入。尽管这些步骤很简单,但我们使用在标准手机上以12 fps运行的模型,在几个数据集上展示了持续改进的结果。
2019-06-16 cs.CV cs.LG
Data Efficient Human Intention Prediction: Leveraging Neural Network Verification and Expert Guidance
Carnegie Mellon University(卡内基梅隆大学)
预测人类意图对于促进安全和高效的人机协作(HRC)至关重要。然而,建立数据驱动的人类意图预测模型具有挑战性。一个主要的挑战是由于人体运动数据的多样性和噪声。收集全面覆盖所有可能场景的海量运动数据集是昂贵的,这导致在某些场景下人体运动数据的稀缺,因此,在构建鲁棒且可靠的意图预测器方面造成困难。为了应对这一挑战,本文提出了一种迭代对抗数据增强(IADA)框架,用于从不足的训练数据中学习神经网络模型。该方法使用神经网络验证来识别最“混乱”的输入样本,并利用专家指导来安全地和迭代地用这些样本来增强训练数据。所提出的框架适用于收集的人类数据集。实验结果表明,与现有的训练方法相比,我们的方法可以实现更强大和准确的预测性能。
2022-09-24 cs.HC cs.LG
Leveraging Clinical Time-Series Data for Prediction: A Cautionary Tale
University of Michigan(密歇根大学);Michigan Medicine(密歇根医学中心)
在医疗保健中,患者风险分层模型通常使用从电子健康记录中提取的时间序列数据来学习。当为临床预测任务提取数据时,存在几种公式,这取决于如何选择预测时间和预测范围。在本文中,我们展示了该制剂如何极大地影响模型性能和临床实用性。利用公开的ICU数据集,我们考虑两个临床预测任务:住院死亡率和低钾血症。通过这些案例研究,我们证明了使用结果独立的参考点来评估模型的必要性,因为选择相对于事件的预测时间可能会导致不切实际的性能。此外,当在模拟真实世界使用的测试集上进行评估时,结果独立方案在两项任务上的表现优于结果依赖方案(住院死亡率AUROC 0.882 vs. 0.831;血清钾:AUROC 0.829 vs. 0.740)。
2018-11-29 cs.LG stat.AP stat.ML
Can We Predict the Unpredictable? Leveraging DisasterNet-LLM for Multimodal Disaster Classification
TERI School Of Advanced Studies(TERI高级研究学院);Macquarie University(麦考瑞大学);Cornell University(康奈尔大学);Eudoxia Research University(欧多西亚研究大学)
针对传统方法难以整合多模态数据进行灾难管理的问题,提出专用大模型DisasterNet-LLM,通过预训练与跨模态注意力机制提升灾难分类性能,在多项指标上优于现有模型。
2025-06-30 cs.AI cs.LG
Leveraging Smooth Attention Prior for Multi-Agent Trajectory Prediction
Stanford University(斯坦福大学);Toyota Research Institute(丰田研究所)
多智能体交互对于预测其他智能体的行为和轨迹的建模是重要的。在某个时候,为了预测合理的未来轨迹,每个智能体只需要关注与一小群最相关的智能体的交互,而不是不必要地关注所有其他智能体。然而,现有的注意力建模工作忽略了人类在驾驶中的注意力不会迅速变化,并且可能会在时间步长上引入波动的注意力。在本文中,我们制定了一个注意力模型的基础上,多智能体的相互作用的总变化时间平滑先验,并提出了一个轨迹预测架构,利用这些出席的相互作用的知识。我们演示了总变化注意力先验以及新的序列预测损失项如何导致多智能体轨迹预测的更平滑的注意力和更有效的样本学习,并通过将其与合成和自然驾驶数据的最新方法进行比较,显示其在预测准确性方面的优势。我们在我们的网站上展示了我们的算法在INTERACTION数据集上进行轨迹预测的性能。
2022-03-19 cs.LG cs.RO
Robust Partial-Label Learning by Leveraging Class Activation Values
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
针对偏标签学习在噪声、分布外及对抗扰动下预测不稳健的问题,提出基于主观逻辑与类别激活值的新方法,并采用最优标签权重再分配策略,实验证明其鲁棒性更优。
2025-02-17 cs.LG stat.ML
Leveraging Unlabeled Data to Predict Out-of-Distribution Performance
Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院)
现实世界的机器学习部署的特点是源(训练)和目标(测试)分布之间的不匹配,这可能导致性能下降。在这项工作中,我们研究的方法,预测目标域的准确性,只使用标记的源数据和未标记的目标数据。我们提出了平均保留置信度(ATC),这是一种实用的方法,它可以学习模型置信度的阈值,预测精度为模型置信度超过该阈值的未标记示例的比例。ATC在几种模型架构、分布偏移类型(例如,由于合成腐败,数据集复制或新的亚群)和数据集(Wilds,ImageNet,Breeds,CIFAR和MNIST)。在我们的实验中,ATC估计目标性能$2$ - $4\times$比以前的方法更准确。我们还探讨了这个问题的理论基础,证明,在一般情况下,识别的准确性是一样困难的识别最佳预测,因此,任何方法的有效性取决于(也许未说明)的性质的转变的假设。最后,分析我们的方法在一些玩具分布,我们提供了有关它的工作时的见解。代码可在https://github.com/saurabhgarg1996/ATC_code/上获得。
2022-10-15 cs.LG stat.ML
Quantifying Qualitative Insights: Leveraging LLMs to Market Predict
Hankuk University of Foreign Studies(韩国外国语大学);Tech University of Korea(韩国技术大学)
本研究利用证券公司报告构建动态上下文集,通过提示设计将LLMs生成的定性洞察转化为定量分数用于市场预测,实验表明LLMs在预测上优于时间序列模型。
2024-11-13 cs.LG q-fin.CP
A Protein Structure Prediction Approach Leveraging Transformer and CNN Integration
Johns Hopkins University(约翰斯·霍普金斯大学);University of Washington(华盛顿大学);Columbia University(哥伦比亚大学);New York University(纽约大学)
针对现有蛋白质结构预测进展无法满足信息需求的问题,本文提出融合CNN与有监督Transformer蛋白质语言模型的DstruCCN模型,结合二者特征预测结合位点矩阵并重构三维结构,助力蛋白质结构研究。
2024-03-08 cs.LG q-bio.BM
Leveraging Predictions in Smoothed Online Convex Optimization via Gradient-based Algorithms
Harvard University(哈佛大学)
我们考虑在线凸优化与时变阶段成本和额外的切换成本。由于切换成本会在所有阶段引入耦合,因此需要结合多步(长期)预测来提高在线性能。然而,长期预测往往质量较低。因此,一个关键的问题是:如何减少长期预测误差对在线性能的影响?为了解决这个问题,我们引入了一个基于梯度的在线算法,滚动时域不精确梯度(RHIG),并分析其性能的动态遗憾的时间变化的环境和预测误差。RHIG最多只考虑$W$ -提前一步的预测,以避免被长期更差的预测误导。我们的遗憾界建议的最佳选择的$W$依赖于环境的变化和预测精度之间的权衡。此外,我们将RHIG应用于一个成熟的随机预测误差模型,并在相关的预测误差下提供了预期的后悔和集中范围。最后,我们数值测试的性能RHIG四旋翼跟踪问题。
2020-11-25 cs.LG cs.SY eess.SY
Leveraging Patient Similarity and Time Series Data in Healthcare Predictive Models
University of Utah(犹他大学)
患者时间序列分类面临着高维性和缺失性的挑战。根据患者相似性理论,本研究探索有效的时间特征工程和减少,缺失值填补,和变化点检测方法,可以提供基于相似性的分类模型与期望的准确性增强。我们选择了一个分段聚集近似方法来提取细粒度的时间特征,并提出了一个最小的方法来填补时间特征中的缺失值。对于降维,我们采用了梯度下降搜索方法的特征权重分配。我们提出了新的患者状态和方向变化的定义,根据医学知识或临床指南的值范围为不同的患者状态水平,并开发了一种方法来检测变化点,指示积极或消极的患者状态变化。我们评估所提出的方法的有效性的背景下,早期重症监护病房死亡率预测。评估结果表明,k-最近邻算法,结合我们选择的方法,并提出显着优于早期ICU死亡率预测的相关基准。本研究通过识别和增强基于相似性的时间序列分类的时间特征工程和约简方法,为时间序列分类和早期ICU死亡率预测做出贡献。
2017-04-30 cs.AI cs.LG
Simulator-Based Inference with Waldo: Confidence Regions by Leveraging Prediction Algorithms and Posterior Estimators for Inverse Problems
Carnegie Mellon University(卡内基梅隆大学);INFN, Sezione di Padova(意大利国家核物理研究院帕多瓦分部);Federal University of São Carlos(圣卡洛斯联邦大学)
针对模拟器推断中预测算法和后验估计器产生有偏或过度自信参数区域的问题,提出WALDO方法,通过重构Wald统计量并采用回归式Neyman反演,构建有限样本条件有效的置信区域,并在高能物理问题中验证其纠正能力。
2023-11-13 cs.LG stat.ML
Pay Attention: Leveraging Sequence Models to Predict the Useful Life of Batteries
University of California, Berkeley(加州大学伯克利分校)
我们使用斯坦福大学发布的124个电池的数据,首先尝试解决仅给定前5个数据周期(即,它是否会持续比某个阈值的循环更长),以及确定电池在给定前100个循环数据的情况下将持续的确切循环数的预测问题。我们从纯粹的数据驱动的角度来处理这个问题,希望使用深度学习来学习斯坦福团队手工设计的数据序列中的模式。对于这两个问题,我们使用了类似的深度网络设计,其中包括可选的一维卷积,LSTM,可选的Attention层,然后是全连接层来产生我们的输出。对于分类任务,我们能够实现非常有竞争力的结果,验证准确率超过90%,测试准确率为95%,而当前领先模型的测试准确率为97.5%。对于预测任务,我们也能够获得有竞争力的结果,测试MAPE误差为12.5%,而当前领先模型的MAPE误差为9.1%(Severson等人,2019)。
2019-10-05 cs.LG stat.ML
Leveraging Deep Learning to Improve the Performance Predictability of Cloud Microservices
Cornell University(康奈尔大学)
性能不可预测性是云采用的主要障碍,并且具有性能,成本和收入影响。随着云服务从单体设计过渡到微服务,可预测的性能变得更加重要。在具有微服务的系统中发生QoS违规后对其进行检测会导致较长的恢复时间,因为热点会在相关服务之间传播和放大。我们介绍了Seer,一个在线云性能调试系统,它利用深度学习和云系统收集的大量跟踪数据来学习转换为QoS违规的空间和时间模式。Seer将轻量级分布式RPC级跟踪与详细的低级硬件监控相结合,以发出即将发生的QoS违规信号,并诊断不可预测性能的来源。一旦检测到即将发生的QoS违规,Seer就会通知群集管理器采取措施,以避免性能下降。我们在本地集群中评估Seer,并在使用微服务构建的具有数百个用户的端到端应用程序的大规模部署中评估Seer。我们发现,Seer正确地预期QoS违规91%的时间,并避免QoS违规开始在84%的情况下。最后,我们展示了Seer可以识别应用程序级的设计错误,并提供有关如何更好地构建微服务以实现可预测性能的见解。
2019-05-02 cs.DC cs.LG
Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning
Shenzhen MSU-BIT University(深圳北理莫斯科大学)
本文针对多模态MRI脑肿瘤分割中模态缺失问题,提出掩码预测预训练结合Holder伪散度知识蒸馏的新策略,在BRATS2018和BRATS2020数据集上显著提升了分割性能。
2024-06-12 cs.CV cs.LG eess.IV
Leveraging Uncertainty from Deep Learning for Trustworthy Materials Discovery Workflows
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
在本文中,我们利用深度神经网络的预测不确定性来回答材料科学家在基于机器学习的材料应用工作流程中经常遇到的挑战性问题。首先,我们表明,通过利用预测的不确定性,用户可以确定所需的训练数据集的大小,以达到一定的分类精度。接下来,我们提出不确定性引导的决策推荐,以检测并避免对令人困惑的样本做出决策。最后,我们表明,预测的不确定性也可以用来检测分布外的测试样本。我们发现,该方案足够准确,可以检测到数据中的大范围真实变化,例如,图像获取条件的改变或合成条件的改变。使用来自扫描电子显微镜(SEM)图像的微观结构信息作为示例用例,我们表明利用不确定性感知的深度学习可以显着提高分类模型的性能和可靠性。
2021-04-22 cond-mat.mtrl-sci cs.CV cs.LG
Leveraging Sequence Embedding and Convolutional Neural Network for Protein Function Prediction
National Tsing Hua University(台湾清华大学)
准确预测蛋白质功能和性质的能力在生物技术产业中是必不可少的,例如药物开发和人工蛋白质合成等。蛋白质功能预测的主要挑战是大的标签空间和缺乏标记的训练数据。我们的方法利用无监督序列嵌入和深度卷积神经网络的成功来克服这些挑战。相比之下,大多数现有的方法删除罕见的蛋白质功能,以减少标签空间。此外,一些现有的方法需要额外的生物信息(例如,蛋白质的三维结构),这在生物化学实验中难以确定。我们提出的方法显着优于其他方法的公开可用的基准只使用蛋白质序列作为输入。这使得识别蛋白质功能的过程得以加速。
2021-12-01 cs.AI cs.LG q-bio.BM
From Division to Decision: Leveraging Temporal Cell-Stage Segmentation for Embryo Transferability Prediction
Inria center at Rennes University, Paris-Saclay University, UVSQ, INRAE, BREED(里昂大学Inria研究中心、巴黎萨克雷大学、UVSQ、INRAE、BREED);University of Rennes, IRISA(雷恩大学、IRISA);The National Veterinary School of Alfort(阿尔福兽医学校)
该研究提出TransFACT框架,利用时间 lapse 视频中的早期发育阶段信息,通过结合帧级时间特征和阶段级表示,预测胚胎可转移性,优于现有方法。
2026-05-18 cs.CV cs.LG eess.IV
Llamazip: Leveraging LLaMA for Lossless Text Compression and Training Dataset Detection
ML-Labs(ML实验室);Dublin City University(都柏林城市大学);School of Electronic Engineering(电子工程学院)
Llamazip利用LLaMA3实现无损文本压缩和训练数据集检测,通过预测能力优化存储效率并提升数据透明度。
2025-11-16 cs.CL cs.LG
CryptoMamba: Leveraging State Space Models for Accurate Bitcoin Price Prediction
Department of Electrical and Computer Engineering, University of Southern California(电气与计算机工程系,南加州大学)
本文提出基于Mamba的状态空间模型CryptoMamba,用于捕捉比特币价格序列中的长程依赖,在提升预测精度和跨市场泛化能力的同时,结合交易算法验证了其实际金融应用价值。
2025-05-04 cs.AI cs.CE cs.LG
Leveraging Recurrent Neural Networks for Predicting Motor Movements from Primate Motor Cortex Neural Recordings
本研究针对非人灵长类神经记录的运动解码问题,提出采用AEGRU模型(训练阶段用自编码器提升泛化),结合预处理在Neurobench基准及IEEE BioCAS 2024神经解码挑战赛中取得最优$R^2$成绩,且剪枝后可大幅降低运算量且性能损失极小。
2024-11-01 cs.LG eess.SP q-bio.NC
Multi-source conformal prediction: leveraging heterogeneity via localization
Stanford University(斯坦福大学);Boston University(波士顿大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
针对多源异质数据下的预测问题,提出多源随机局部化共形预测(MS-RLCP),通过数据自适应源选择扩展RLCP,在共享条件响应分布假设下建立有限样本覆盖界,并验证其有效性。
2026-09-15 cs.LG stat.ME stat.ML
Leveraging Orbital Information and Atomic Feature in Deep Learning Model
基于材料的微观结构预测材料性能一直是一个具有挑战性的问题。最近,许多深度学习方法被开发用于材料性能预测。在这项研究中,我们提出了一个晶体表示学习框架,轨道CrystalNet,OCrystalNet,它包括两个部分:原子描述符生成和图形表示学习。在OCrystalNet中,首先将轨道场矩阵(OFM)和原子特征结合起来,构造OFM-特征原子描述符,然后将原子描述符作为原子嵌入原子键消息传递模块,利用晶体图的拓扑结构学习晶体表示.为了证明OCrystalNet的能力,我们在Material Project数据集和JARVIS数据集上执行了许多预测任务,并将我们的模型与其他基线和最先进的方法进行了比较。为了进一步展示OCrystalNet的有效性,我们对我们的模型进行了消融研究和案例研究。结果表明,我们的模型有各种优势,比其他国家的艺术模型。
2022-10-29 cond-mat.mtrl-sci cs.AI cs.LG
Leveraging Black-box Models to Assess Feature Importance in Unconditional Distribution
School of Engineering, Mathematics, and Physics(工程、数学与物理学院);University of East Anglia(东英吉利大学);Iowa State University(爱荷华州立大学)
针对现有黑盒模型难以分析特征变化对结果无条件分布影响的问题,提出一种借助预训练黑盒模型计算特征重要性曲线的近似方法,经实验验证其结果稀疏可靠、计算高效。
2024-12-07 cs.LG stat.CO stat.ME
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future
College of Computing(计算学院);Georgia Institute of Technology(佐治亚理工学院)
在公共卫生的实时的【形】预测中,数据汇集是一项重要而艰巨的任务。通常在最初发布后,它会在之后进行多次修订(可能是由于人为或技术限制)-因此,数据可能需要数周时间才能达到稳定值。这种所谓的“回填”现象及其对模型性能的影响在以前的文献中几乎没有研究。在本文中,我们以COVID-19为例介绍了多变量回填问题。我们构建了一个由过去一年大流行的相关信号组成的详细数据集。然后,我们系统地描述了回填动力学中的几种模式,并利用我们的观察来制定一个新的问题和神经框架Back 2Future,旨在实时的【形】改进给定模型的预测。我们的大量实验表明,与非平凡基线相比,我们的方法改进了COVID-19预测的顶级模型的性能,比基线提高了18%,使我们能够获得新的SOTA性能。此外,我们表明,我们的模型也提高了模型评估,因此决策者可以更好地了解预测模型的真实准确性在实时的【形】。
2022-04-26 cs.AI cs.CY cs.LG
Leveraging Uncertainty in Deep Learning for Pancreatic Adenocarcinoma Grading
Brunel University(布鲁内尔大学);University College London(伦敦大学学院)
与其他癌症相比,胰腺癌是最严重的癌症之一,因为它们是在癌症进展到晚期时被诊断出来的。目前诊断胰腺癌的手动组织学分级是费时的,往往导致误诊。在数字病理学中,基于人工智能的癌症分级必须在预测和不确定性量化方面非常准确,以提高可靠性和可解释性,这对于获得临床医生对该技术的信任至关重要。我们提出了贝叶斯卷积神经网络用于MGG和HE染色图像的胰腺癌自动分级,以估计模型预测中的不确定性。我们发现,估计的不确定性与预测误差。具体而言,它是有用的,在设置接受阈值使用的度量,加权分类精度拒绝权衡和误分类成本控制的超参数,并可以在临床设置。
2022-06-15 cs.CV cs.LG eess.IV