XiaoMi-AI文件搜索系统
World File Search Systembarlowrl
朝着对象检测更好的解释
本文介绍了Barlowrl，这是一种具有数据效率增强的学习代理，它与Barlow Twins一起使用DER（数据有效的雨弓）算法进行了自我监督的学习框架。barlowrl在Atari 100k基准上均优于DER及其对比度卷曲。barlowrl通过强制传播到整个空间来避免尺寸崩溃。这有助于RL算法利用统一扩散状态表示，最终导致表现出色。Barlow双胞胎与DER的集成增强了数据效率，并在RL任务中实现了卓越的性能。Barlowrl展示了合并自我监督的学习技术，尤其是非对抗性目标的潜力，以改善RL算法。关键词：深度强化学习；自学学习；数据效率
Barlowrl：Barlow双胞胎用于数据有效增强学习
合成图生成器（SGG）的主题最近由于生成建模的最新突破而引起了很多关注。但是，许多与图形尺寸相比，许多最先进的SGG并不能很好地扩展。的确，在生成过程中，通常必须考虑固定数量的节点的所有可能边，其中缩放在O（n 2）中，n是图中的节点的数量。因此，许多最新的SGG不适用于大图。在本文中，我们提出了Sangea，这是一个较大的合成图生成框架，可扩展任何SGG对大图的适用性。首先将大图拆分为社区，Sangea每个社区训练一个SGG，然后将社区图形链接在一起以创建合成的大图。我们的实验表明，就拓扑和节点特征分布而言，Sangea生成的图与原始图具有很高的相似性。此外，这些生成的图在下游任务（例如链接预测）上实现了高实用性。最后，我们对生成的图表进行了隐私评估，以表明即使它们具有出色的实用程序，它们也达到了合理的隐私分数。关键字：图生成学习； gnns，属性生成；可伸缩性；隐私