機器學習及其應(yīng)用2023

“生成一切”背后的數(shù)學原理 雷 娜顧險峰  1 1 傳統(tǒng)圖像處理方法  1 2 圖像生成算法  2 3 3D曲面生成算法  6 4 未來展望 8 參考文獻 9 
高維樣本協(xié)方差矩陣的譜性質(zhì)及其應(yīng)用簡介 王瀟逸鄭術(shù)蓉鄒婷婷  11 1 引言11 2 高維框架下傳統(tǒng)方法失效的例子  12 3 大維樣本協(xié)方差矩陣的極限譜分布  14 4 大維樣本協(xié)方差矩陣的應(yīng)用  17 5 總結(jié)和展望  25 參考文獻 25 
多目標演化學習：理論與算法進展 錢超 27 1 引言 27 2 理論分析工具 ——調(diào)換分析 29 3 理論透視 33 4 多目標演化學習算法  38 5 總結(jié)與展望  45 參考文獻 46 
自監(jiān)督學習的若干研究進展 楊健陳碩李翔 49 1 引言 49 2 相關(guān)工作 51 
機器學習及其應(yīng)用 2023 
3 基于對比學習與自編碼學習的自監(jiān)督學習算法  54 4 總結(jié)與展望  74 參考文獻 74 
因果性學習 李梓健蔡瑞初郝志峰 78 1 引言 78 2 基于先驗因果結(jié)構(gòu)的因果性學習方法及其應(yīng)用  80 3 基于因果發(fā)現(xiàn)的因果性學習方法及其應(yīng)用  87 4 小結(jié) 91 參考文獻 92 
先排序后微調(diào)：預(yù)訓練模型庫利用的新范式 
游凱超劉雍張子陽王建民  Michael I. Jordan 龍明盛 95 1 引言 95 2 相關(guān)工作 98 3 對預(yù)訓練模型進行排序 102 4 LogME算法的理論分析108 5 預(yù)訓練模型微調(diào) 112 6 實驗116 7 結(jié)論131 附錄 132 A 符號對照表132 B 定理 1證明133 C 定理 2證明134 D 推論 1證明135 E 推論 2證明137 F 數(shù)據(jù)集描述 139 G 圖表的原始結(jié)果 139 H 提示學習完整結(jié)果 142 I 收斂性分析完整圖表 142 參考文獻145 
目 錄 
遷移學習 莊福振 150 
1 引言150 2 相關(guān)工作152 3 概述153 4 基于數(shù)據(jù)的解釋 156 5 基于模型的解釋 173 6 應(yīng)用185 7 實驗189 8 結(jié)論和未來方向 195 參考文獻196 
基于表示學習的機器學習模型復用 葉翰嘉 211 1 引言211 2 模型復用背景 213 3 模型復用方法 215 4 可復用模型方法 226 5 總結(jié)與展望 238 參考文獻239 
并行算法組自動學習研究簡介 劉晟材唐珂 241 1 引言241 2 相關(guān)工作243 3 并行算法組自動學習 245 4 總結(jié)262 參考文獻263 
ChatGPT的演進歷程與未來發(fā)展趨勢 朱慶福車萬翔 265 1 引言265 2 相關(guān)工作266 3 ChatGPT概覽 267 4 ChatGPT的關(guān)鍵技術(shù)與解決的關(guān)鍵科學問題269 5 ChatGPT對自然語言處理的影響271 6 總結(jié)和展望 275 參考文獻275