Descrizione del prompt
APPROVATO. Il diagramma illustra un framework di apprendimento semi-supervisionato a doppio ramo progettato per dati realistici long-tailed nella visione artificiale. Il framework comprende due flussi di dati: Dati Etichettati (Long-Tailed) e Dati Non Etichettati (Distribuzione Sconosciuta). Entrambi i flussi sono elaborati da un estrattore di caratteristiche condiviso (Backbone Network). Dopo l'estrazione delle caratteristiche, le caratteristiche divergono in due rami paralleli: un Predittore Biasato, che genera pseudo-etichette per i dati non etichettati ed è adattivo alla distribuzione dei dati non etichettati, e un Predittore Bilanciato, addestrato per incoraggiare confini decisionali bilanciati e utilizzato per l'inferenza finale. Un modulo di Soppressione della Diffusione delle Caratteristiche Guidato dallo Stato di Apprendimento è posizionato tra il backbone e entrambi i predittori, collegato allo spazio delle caratteristiche. Questo modulo sopprime l'espansione delle caratteristiche per le classi ben apprese preservando l'esplorazione per le classi meno apprese.
Illustrazioni correlate
![Figura 1: Limitazioni strutturali delle pipeline tradizionali di Riassunto Passivo di Timeline (TLS). L'illustrazione visualizza perché i metodi attuali producono narrazioni fragili. Fase 1: Input: Una nuvola caotica di testo massiccio non strutturato funge da fonte di dati rumorosa. Fase 2: Processo: Un meccanismo di recupero passivo seleziona frammenti basandosi sulla somiglianza superficiale, ignorando le lacune contestuali. Questi frammenti sono forzati attraverso un modulo di schema fisso che manca di flessibilità. Fase 3: Output: Il risultato è una timeline fragile, raffigurata come un ponte rotto che attraversa un abisso, che mostra lacune causali a livello macro con grandi vuoti fisici tra le pietre miliari, etichettate come fasi intermedie mancanti, che rappresentano un flusso logico interrotto, e lacune di elementi a livello micro con nodi sbiaditi e semitrasparenti con segnaposto come [Data: ?], etichettati come pietre miliari non specificate. Riassunto: Questa pipeline passiva produce narrazioni debolmente verificabili, motivando il nostro framework proposto di Completamento Attivo di Timeline (ATC).](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FYTKKT4KX6I1Z0I9zVD8Dvk3dLNiZdiB4%2Ff8b117a6-3860-4361-9ba9-68a3f0ad3b68%2Ffa327c56-a2aa-42f4-bb4c-4bc614c51c33.png&w=3840&q=75)
![Metodo 2: Apprendimento Dinamico dei Coefficienti Basato sul Meccanismo di Attenzione
- **Idea Centrale**: Introdurre un livello di attenzione per consentire al modello di apprendere automaticamente i pesi dei diversi token nella regolazione emotiva. Fasi di implementazione:
(1) Costruire la Rappresentazione delle Caratteristiche del Token: Estrarre lo stato del Token H=[h1, h2, ....hn] (dove n è il numero di Token) da un certo livello del modello, e utilizzare la funzione vettore (A - B) come 'vettore di query emotiva'.
(2) Calcolare i Pesi di Attenzione Token-Emozione: Calcolare il grado di corrispondenza tra ciascun Token e il vettore di query emotiva attraverso l'attenzione dot-product scalata:
ai = Softmax (huaye)
dove d è la dimensione di hi.
(3) Iniezione Adattiva di Vettori di Funzione: Applicare hi+ai.(A-B) a ciascuno stato del Token. Questa è l'idea per la mia parte.](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2F21yePdfXfrXMwKl3x4fhPD0TH1d7yghe%2F4a7680a8-334b-44a9-bf77-6adf2b1dd5e7%2Fcd765bfe-d81d-4f08-b6e5-510889b6cb6c.png&w=3840&q=75)