手机网站
手机网站
从给定段落(a)、人(b)、提取方法(c)和纸张方法(d)中提取的摘要的比较
推荐:使用提取和生成方法进行文本摘要的算法很多，但本文是一个罕见的零样本端到端神经网络模型。同时，本文提出了一种评价文本摘要质量的方法，这是定量评价摘要质量的标准。论文2:目标定向任务视觉观察的因果归纳作者:苏拉伊·奈尔、柯宇·朱、西尔维奥·萨瓦里舍、李菲菲论文地址:https://arxiv.org/abs/1910.01751摘要:因果推理能力在人类和其他智能动物与物质世界的互动过程中一直是不可或缺的本文中，李菲菲、朱柯宇等研究者提出赋予人工智能因果推理能力来完成特定任务。他们使用基于学习的方法生成有向无环图格式的因果知识，这可以用来将学习到的目标条件策略放入上下文中，从而在具有潜在因果结构的新环境中执行任务研究者在他们的因果判断模型和目标条件策略中利用注意机制，使他们能够从对个体的视觉观察中逐渐生成越来越多的因果图，并有选择地在行动决策中使用这些生成的因果图实验结果表明，这种基于学习的方法能够在未知因果结构的新环境中有效完成新任务因果推理过程图
迭代因果推理网络图< br>
建议:从输入中获取因果信息是一个新兴的研究领域，而从图像信息中获取因果关系相对较少本文作者是斯坦福大学的李菲菲和朱柯宇等。这是一篇探索图像数据和因果推理的新论文。论文3:当深度学习遇到代码搜索作者:何塞·坎布罗内罗(Jose Cambronero)，李宏宇，徐珠贤·金(·金)，库希克·森(Koushik Sen)，萨迪什·钱德拉论文地址:https://arxiv.org/pdf/ 1905.03813 v3 . pdf:最近，有很多关于使用深度神经网络搜索自然语言代码的建议。其中，常见的观点是将代码和自然语言查询嵌入到实向量中，然后使用向量距离来近似代码和查询之间的语义关联学习这些嵌入有许多方法，包括仅依赖于代码实例语料库的无监督方法和使用代码对和自然语言描述对齐语料库的有监督方法。在这篇论文中，麻省理工学院计算机科学和人工智能实验室、脸书和加州大学伯克利分校电气工程和计算机科学系的研究人员评估了这些无监督和有监督的方法。结果表明:将监督方法集成到现有的无监督方法中可以提高性能，但必要性不大；在代码搜索中，简单的监控网络比基于序列的复杂网络更有效。虽然使用文档字符串进行监控是一种常见的做法，但是文档字符串的有效性与更适合查询的监控语料库之间存在很大差异。使用神经网络的代码搜索流程图
推荐:自然语言代码搜索是最近自然语言处理研究的一个关键领域。虽然许多工作取得了进展，但这方面的工作仍然没有全面的总结。本文作者认为，这是第一篇总结本课题工作的论文，值得感兴趣的读者和朋友们阅读。论文4: NeuralPuppet:创成式分层卡通人物作者:Omid Poursaeed，Vladimir G. Kim，Eli Shechtman，Jun Saito，Serge Belongie论文地址:https://Arxiv.org/ftp/arxiv/papers/1910/1910.02060.pdf:最近，奥多比和康奈尔大学的研究人员提出了一种基于学习的方法，可以基于少量卡通人物的图像样本生成新的动画。传统动画的每一帧都是由艺术家绘制的，因此输入的图像缺乏共同的结构、配准或标签。研究人员将动画角色的姿态变化演绎为一个层次化的2.5D模板网格的变形，并设计一种新的架构来学习和预测能够匹配模板和目标图像的网格变形。这使得研究人员能够从各种角色姿势集中抽象出一种常见的低维结构。研究人员通过将可区分渲染与网格感知模型的最新进展相结合，成功地对齐了通用模板，即使在训练过程中只有少量卡通人物图像。除了粗糙的手势之外，卡通人物的外观也会因阴影、平面外运动和图片的艺术效果而显示出细微的差异。研究人员利用图像翻译网络捕捉这些细微变化，以改善网格渲染结果，并为生成高质量卡通人物的新动画提供端到端模型。本研究提出的生成模型可用于合成中间帧和创建数据驱动变形。其模板拟合步骤在检测图像配准中的效果明显优于目前最佳的通用技术。角色动画培训网络流程
使用该模型处理对角彩色图片以生成动画效果显示< br>
推荐:动画师的好消息？这篇文章是康奈尔大学和奥多比的作品。它只需要几张图片来生成角色动画。从效果来看，它可以帮助原动画师节省一些工作。论文5:火炬:由海因里希·库特勒(Heinrich Küttler)、南塔·纳尔代利(Nantas Nardelli)、蒂博·拉夫里尔(Thibaut Lavril)、马尔科·塞尔瓦蒂奇(Marco Selvatici)、维斯瓦纳思·西瓦库马(Viswanath Sivakumar)等分发的pytorch平台地址:https://github.com/facebookresearch/torchbeast摘要:火炬东方是一个在PyTorch上强化学习的平台通过实现流行的Impala算法(一个版本)，TorchBeast可以快速、异步和并行地训练强化学习代理。此外，TorchBeast以简洁明了为明确的设计目标:提供纯Python实现版本(MonoBeast)和多机高性能版本(PolyBeast)对于PolyBeast版本，部分实现是用C++编写的，但是所有与机器学习相关的部分都是通过PyTorch保存在简单的Python中，环境是通过OpenAI Gym界面提供的。这使得研究人员能够使用TorchBeast进行可扩展的强化学习研究，而除了Python和PyTorch之外，不需要任何编程知识。本文中，研究人员描述了TorchBeast平台的设计原理和实现，表明该平台的性能相当于Atari上的Impala。推荐:本文作者来自facebook，提出了一个新的强化学习平台，该平台使用PyTorch，可用于快速、异步和并行训练。对强化学习感兴趣的读者可以尝试一下论文6: ngboost:自然梯度提升用于概率预测这是一种将概率预测引入梯度提升的通用方法。预测不确定性在医学和天气预报等许多领域都非常重要。概率预测——使用模型在整个输出空间中输出概率分布是量化这些不确定性的自然方法。梯度提升机已经成功地预测了许多结构化数据，但是到目前为止，用于真实值输出的概率预测的简单提升策略还没有成功。NGBoost是一种自然梯度方法，可以解决一般概率预测与现有梯度提升方法不兼容的问题。研究人员提出的方法是综合的，并根据选定的基本学习者、概率分布和评分规则来确定。研究者在多元回归数据集上进行了实验，结果表明NGBoost在不确定性估计和传统评价计算中具有良好的预测性能NGBoost的主架构< br>
NGBoost算法伪代码推荐:本文作者是吴恩达等。梯度提升机得到了进一步的改进，使得估计不确定性成为可能，这是一种新的算法组合方法。论文Transformer:艺术级自然语言处理作者:HuggingFace Inc论文地址:https://arxiv.org/pdf/1910.03771.pdf项目地址:https://Huggingface.co/transformers/:最近，基于Transformer架构的预训练语言模型在自然语言处理任务中取得了良好的效果然而，这些模型对研究人员来说很难使用，需要为每个模型的开放源代码重新开发，以便在实际工作中使用。本文提出了一个名为变压器的项目，它是处理SOTA预训练模型的自然原因代码库。使用相同的应用编程接口，它可以无缝地与TensorFlow2.0和Pytorch配合使用。建议:仍然担心各种开源预培训语言模型的代码吗？HuggingFace公司提出了统一的Transformer代码库，开发者可以根据自己的需要选择语言模型进行微调。这个代码库也可以无缝地与TensorFlow和PyTorch结合使用。
