XiaoMi-AI文件搜索系统
World File Search System监督的
监督与无监督的学习
●Breiman（2001）首先提出了随机森林算法，但基于1995年的Tim Kan Ho●RF采用了两种集合技术：首先是训练样本，以种植基于不同培训训练数据的树木森林。第二个是特征空间的子采样。●如果我选择变量的子集（例如x1, x3, x7) to create a split in a node of a decision tree, and another subset (x2, x4, x5, x7) to create a different one, there will be events that get classified in a different way by the two nodes ● Often there is a dominant variables that is used to decide the split, offsetting the power of the subdominant ones.rf通过减少不同树的相关性来避免该问题
进化：增强无监督的持续学习与多位专家
近年来在未加强的持续学习方法中取得了重大进展。尽管它们在受控设置中取得了成功，但它们在现实世界中的实用性仍然不确定。在本文中，我们首先从经验上介绍了现有的自我保护的持续学习方法。我们表明，即使有了重播缓冲液，现有的methods也无法保留与时间相关输入的视频的关键知识。我们的见解是，无监督的持续学习的主要挑战源于无法预测的意见，缺乏监督和先验知识。从Hybrid AI中汲取灵感，我们介绍了E Volve，这是一个创新的框架，它是云中的多个预审预周化模型，作为专家，以加强对Lo-cal Clister的现有自我监督的学习方法。e Volve通过新颖的专家聚合损失来利用专家指导，并从云中返回并返回。它还根据专家的信心和量身定制的先验知识将权重动态分配给专家，从而为新流数据提供自适应监督。我们在几个具有时间相关的实地世界数据流中广泛验证了E volve。结果令人信服地表明，E Volve超过了最佳的无监督持续学习方法，在跨Var-IOS数据流的Top-1线性评估准确性中，volve持续了6.1-53.7％，从而确认了多样化的专家指南的功效。代码库位于https://github.com/ orienfish/evolve。
课程点提示弱监督的参考图像分割
参考图像分割（RIS）的目的是通过相应的静脉语言表达式精确地分段图像中的对象，但依赖于成本密集的掩码注释。弱监督的RIS因此从图像文本对学习到像素级语义，这是用于分割细粒面罩的挑战。自然而然地提高了分割精度，是用图像分割模型SAM赋予弱监督的RI。尽管如此，我们观察到，简单地整合SAM会产生有限的收益，甚至由于不可避免的噪声而导致性能回归，而过度关注对象部分的挑战和挑战。在本文中，我们提出了一个创新的框架，即P PPT（PPT），与拟议的多源课程学习策略合并，以解决这些挑战。具体来说，PPT的核心是一个点发生器，它不仅可以利用Clip的文本图像对准能力和SAM强大的掩膜生成能力，而且还产生了负点提示，以固有，有效地解决嘈杂和过度的焦点问题。在适当的情况下，我们引入了一种以对象为中心图像的课程学习策略，以帮助PPT逐渐从更简单但精确的语义一致性中学习到更复杂的RIS。实验表明，我们的PPT在MIOU上显着胜过弱监督的技术，分别为11.34％，14.14％和6.97％，分别为6.97％。
大脑图像合成，无监督的多元规范CSCL4NET
神经科学的最新进展强调了多模式医学数据在研究某些病理和了解人类认知方面的有效性。但是，获得一组不同的模态的完整集受到各种因素的限制，例如长期获取时间，高检查成本和伪影抑制。此外，神经影像数据的复杂性，高维度和异源性仍然是有效地利用现有随机扫描的另一个关键挑战，因为不同机器通常对相同方式的数据进行了不同的测量。显然需要超越传统成像依赖性过程，并从源中综合解剖学特定的目标模式数据。在本文中，我们建议学习使用新型CSCℓ4NET跨内部和模式内变化的专用特征。通过特征图和多元典范适应性中的模态数据的初始统一，CSCℓ4净4净促进了特征级别的相互转换。正定的riemannian歧管 - 惩罚数据限制项进一步使CSCℓ4NET可以根据变换的特征重新构建缺失测量值。最后，最大化ℓ4 -norm沸腾到计算上有效的优化问题。具有较大的实验可以验证我们的CSCℓ4NET的能力和鲁棒性与Multiple数据集中的最新方法相比。
使用交叉注意信号对大型语言模型进行微调模型的一种自我监督的强化学习方法
我们为不依赖于人类反馈的大型语言模型（LLMS）提出了一种新颖的增强学习（RL）框架。相反，我们的方法使用模型本身中的交叉注意信号来获得自我监督的奖励，从而指导对模型策略的迭代微调。通过分析模型在生成过程中如何“参加”输入提示，我们构建了及时的覆盖，重点和连贯性的度量。然后，我们使用这些措施来对候选响应进行排名或评分，提供了奖励信号，鼓励模型产生良好的一致，主题文本。在与标准策略梯度方法的经验比较和合成偏好模型的RL微调中，我们的方法在非RL基线的迅速相关性和一致性方面显示出显着的提高。虽然它尚未与完全监督的RLHF系统的性能相匹配，但它突出了使用最小的人类标记来扩展对齐的重要方向。我们提供了详细的分析，讨论潜在的局限性，并概述了将基于跨注意的信号与较少人类反馈相结合的未来工作。
单眼弱监督的单眼3D检测...
单眼3D检测（M3D）的目的是从单视图像中进行精确的3D观察定位，该图像通常涉及3D检测框的劳动密集型注释。最近已经研究了弱监督的M3D通过利用许多存在的2D注释来遵循3D注释过程，但通常需要额外的培训数据，例如LiDAR Point Clouds或多视图图像，这些数据会大大降低其在各种应用中的适用性和可用性。我们提出了SKD-WM3D，这是一个弱监督的单眼3D检测框架，利用深度插入以实现M3D，并具有单一视图图像，而无需任何3D注释或其他培训数据。SKD-WM3D中的一个关键设计是一个自我知识的蒸馏框架，它通过融合深度信息并有效地减轻单核场景中固有的深度模棱两可，从而将图像特征转换为3D类似的表示形式，而无需计算上的计算层面。此外，我们设计了不确定性感知的分离损失和梯度定位的转移调制策略，分别促进了知识获取和知识转移。广泛的实验表明，SKD-WM3D明显超过了最新的实验，甚至与许多完全监督的方法相当。
伪装对受监督的SAR超级...
合成孔径雷达（SAR）是一个尖端的遥感系统，在地球仪和环境监测中起着重要作用。高分辨率SAR成像提供了图像中的更细节，可以检测和识别地面上较小的对象和特征。然而，从理论上讲，侧面空气传播的雷达（SLAR）的分辨率受到倾斜范围的雷达带宽的限制，而在方位角[1]中的天线足迹宽度[1]实际上受到目标侧侧的降解[2]。为了克服这些问题，已经在[2、3、4、5]中提出了空间变体速差（SVA）算法及其旨在减少或取消旁观的变体。这些基于脉冲响应模型的这些不明显的算法在计算上是快速有效地减少侧叶的。但是，主叶宽度保持不变。可以使用基于神经网络的监督学习方法来解决后一个问题，通过利用配对高分辨率（HR）和低分辨率（LR）SAR图像的数据库中的先验信息[6，7，8]。对于尖锐的主机，神经网络必须学会从下采样的LR SAR输入中恢复HR SAR图像，这可能是在光学图像超级分辨率上的挑战中类似的设置[9]。但是，SAR图像形成特定于与视神经不同的雷达波。尤其是SAR范围和方位角轴是不可列出的，并且是经典的增强轴（例如旋转和翻转）是不现实的。此外，斑点噪声高度损坏了SAR图像，从而使伪造过程对靶标和异常进行了决定[10]。幸运的是，诸如[11，12]之类的SAR佩克林方法能够使用很少的single外观复杂（SLC）SAR图像减少斑点噪声。在本文中，我们建议评估使用Fell fell
MSQSM：基于形态的自我监督的深度学习，用于定量敏感性映射
定量敏感性映射（QSM）已广泛应用于神经变性和铁沉积的临床诊断，而QSM重建中仍然存在偶极反转问题。最近，提出了深度学习方法来解决这个问题。但是，这些方法中的大多数是需要成对输入阶段和地面真相对的监督方法。在不使用地面实际情况的情况下训练所有分辨率的模型仍然是一个挑战，而仅使用一个分辨率数据。为了解决这个问题，我们提出了一种基于形态的自我监督QSM深度学习方法。它由形态学QSM构建器组成，可以使QSM对采样分辨率的依赖性以及有效减少伪像并有效节省训练时间的形态学损失。所提出的方法可以在人类数据和动物数据上重建任意分辨率QSM，而不管该分辨率是更高还是低于训练集，这表现优于先前最佳的无监督方法。此外，对于先前无监督学习方法中使用的周期梯度损失，形态损失还将训练时间减少了22％。实验结果和临床验证表明，该提出的方法测量具有任意分辨率的精确QSM。，它在无监督的深度学习方法和竞争性绩效中取得了最新的结果，相对于最佳的传统方法。
