深度神经网络生成内容的隐形、稳健保护方法 学术背景 近年来，随着深度学习模型在工程应用中的革命性发展和广泛应用，涌现出诸如ChatGPT和DALL⋅E 2等现象级应用，这些应用对人们的日常生活产生了深远的影响。同时，人们可以利用开源的深度学习技术创建各种内容，例如图像风格迁移和图像卡通化，这些技术被称为AI生成内容（AIGC）。在这样的背景下，基于AIGC的商业应用，如美图、Prisma和Adobe Lightroom等，其版权保护变得急迫且不可避免。然而，由于许多AIGC相关技术是开源的，使得技术娴熟的个人也能够创建类似的应用。因此，当版权纠纷出现时，对于商业公司及其产品来说，是一个巨大的挑战。 当前，一些常见的版权保护方法包括但不限于注册版权、声明版权、加密版权保护等。这些方法对于实体产...
学术报告 背景介绍 知识图谱(knowledge graph，KG)是记录实体和关系信息的结构化数据，广泛应用于问答系统、信息检索、机器阅读等领域。知识图谱嵌入(Knowledge Graph Embedding, KGE)技术通过将图谱中的实体和关系映射到低维稠密向量空间，大大提升了相关应用的性能。然而，在KGE模型的训练过程中，如何生成高质量的负样本(negative samples)至关重要。 目前主流的KGE模型在生成负样本时面临诸多挑战。一些模型使用简单的静态分布，如均匀分布或伯努利分布(Sampling from Uniform or Bernoulli distribution)，这些方法生成的负样本通常缺乏区分度。而且，现有方法在生成负样本时，通常只是从知识图谱中已经存在的实...
近年来，隐私保护和大规模数据传输等应用场景对数据的不可访问性提出了严峻挑战，因此，研究人员通过提出数据无关知识蒸馏（Data-Free Knowledge Distillation，简称DFKD）方法，来解决这些问题。知识蒸馏（Knowledge Distillation，简称KD）是一种训练轻量级模型（学生模型）使其从深度预训练模型（教师模型）中学习知识的方法。然而，传统的知识蒸馏方法要求具有可用的训练数据，这在隐私保护和大规模数据传输场景下是不现实的。本文提出了一种新的DFKD方法——Adaptive Data-Free Knowledge Distillation（简称AdaDFKD），旨在解决现有DFKD方法中目标分布静态和实例级分布学习的局限性，通过建立和利用伪样本间的关系，实现对...
论文背景与研究目的 强化学习（Reinforcement Learning，RL）近年来已成为人工智能领域中一个充满活力且具有变革性的领域，其目标是通过智能体与环境的交互，实现最大化累积奖励的能力。然而，RL的应用在实际中面临着优化贝尔曼误差（Bellman Error）的挑战。这种误差在深度Q学习及相关算法中尤为关键，传统方法主要使用均方贝尔曼误差（Mean-Squared Bellman Error, MSELoss）作为标配损失函数。然而，认为贝尔曼误差服从正态分布的假设可能过于简化了RL应用中的复杂特性。正因为此，本文重新审视了RL训练中贝尔曼误差的分布，发现其更倾向于服从逻辑分布（Logistic Distribution）。 论文来源与作者介绍 本篇论文题目为”Modeling ...
结构增强的原型对齐用于无监督跨域节点分类 引言 随着现代信息技术的发展，图神经网络（Graph Neural Networks，GNNs）在处理复杂网络节点分类任务中展示了显著的成功。然而，其中一个关键问题是需要大量高质量标注数据，这对于图结构数据而言获取成本高昂且耗时。因此，如何将知识从一个标注丰富的图（源域）迁移到一个完全无标注的图（目标域）成为了亟待解决的重要问题。 研究背景及目的 作者所在团队来自浙江大学计算机科学学院、浙江省服务机器人重点实验室、以及新加坡国立大学计算学院。他们提出了一种名为结构增强的原型对齐（SEPA）的新型无监督图域适应框架，旨在通过构建基于原型的图和引入显式域差异度量来实现源域和目标域的对齐。该论文发表在《Neural Networks》期刊，并通过一系列实验...
语义分割旨在为图像中的每个像素预测类别标签（Liu et al., 2021; Wang et al., 2021），广泛应用于场景理解、医学图像分析、自动驾驶、地理信息系统和增强现实（Strudel et al., 2021; Sun et al., 2023）。虽然深度神经网络的发展显著提升了分割任务的表现（Chen et al., 2014; Guan et al., 2021; Zhao et al., 2017），但这些进展要求大量像素级标注数据进行模型训练，获取这些数据在现实场景中代价高昂（Jiang et al., 2022; Liang et al., 2023）。与此同时，当测试数据与训练数据存在分布差异时，多数分割方法的性能通常会下降（Huang et al., 2022...