生成模型如何演变第 1 部分（人工智能）
生成模型如何演变第 1 部分（人工智能）
1.如何提示？在生成模型的创造性应用中人机交互的零样本和少样本学习的机遇和挑战 (arXiv)
作者 ： 海荡 , 卢卡斯·梅克 , 弗洛里安·莱曼 , 斯文·高勒 , 丹尼尔·布舍克
抽象的 ：
2.GNNInterpreter: A Probabilistic Generative Model-Level Explanation for Graph Neural Networks ( arXiv )
作者 ： Xiaoqi Wang , Han-Wei Shen
抽象的 ： 最近，图神经网络 (GNN) 显着提高了机器学习任务在图上的性能。然而，这一技术突破让人们疑惑：GNN 是如何做出这样的决策的，我们能否高度信任它的预测？当涉及到生物医学等一些关键领域时，做出错误的决定可能会产生严重的后果，因此在应用之前解释 GNN 的内部工作机制至关重要。在本文中，我们为遵循消息传递方案的不同 GNN 提出了一种新的模型无关模型级解释方法 GNNInterpreter，以解释 GNN 模型的高级决策过程。更具体地说，通过图的连续松弛和重新参数化技巧，GNNInterpreter 学习了一个概率生成图分布，该分布为 GNN 模型眼中的目标预测生成最具代表性的图。与现有的唯一工作相比，GNNInterpreter 在生成具有不同类型节点特征和边缘特征的解释图时计算效率更高，更灵活，无需引入另一个黑盒来解释 GNN，也不需要特定领域的知识。此外，在四个不同数据集上进行的实验研究表明，当模型理想时，GNNInterpreter 生成的解释图可以匹配所需的图形模式，并在存在任何模型缺陷时揭示潜在的模型缺陷。
3.指纹检索任务的分割和生成模型的比较分析（arXiv）
作者 ： 梅格·帕特尔 , 德瓦什·帕特尔 , 萨塔克·帕特尔
抽象的 ： 指纹等生物特征认证已成为现代用户认证和验证技术不可或缺的一部分。它以比我们大多数人意识到的更多方式普遍存在。但是，如果手指脏、湿、受伤或传感器出现故障，这些指纹图像的质量就会下降。因此，通过去除噪声提取原始指纹并对其进行修复以重构图像对于其身份验证至关重要。因此，本文提出了一种使用生成（GAN）和分割模型来解决这些问题的深度学习方法。在 pix2pixGAN 和 cycleGAN（生成模型）以及 U-net（分割模型）之间进行了定性和定量比较。为了训练模型，我们创建了我们自己的数据集 NFD — 噪声指纹数据集，精心制作了不同的背景以及一些图像中的划痕，以使其更加逼真和健壮。在我们的研究中，u-net 模型的性能优于 GAN 网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
