人工智能
- 直接偏好优化技术DPO基础理论及推导
- 自适应视图增强的谣言检测图对比学习方法
- 生成式大模型的RLHF技术（一）：基础
- LoRA：大模型下游任务的低秩适应
- Megatron-LM：Transformer模型专用分布式张量
- 思维树：大模型的复杂推理技术
- LIMA：小规模监督数据指令微调
- 语言模型的自洽性思维链推理技术
- GPipe：微批量流水线并行
- 高效底座模型LLaMA
- InstructGPT：语言模型的人类反馈指令对齐
- 思维链Prompting促进大型语言模型的推理能力
- TokenGT：Transformer是强大的图学习器
- GPT-3：大语言模型小样本学习
- GPT-2：无监督多任务学习语言模型
- GPT：通用预训练语言模型
- 从图谱视角再谈图对比学习
- GIN：图同构网络
- GraphMAE：自监督掩码图自编码器
- AutoGCL：基于可学习视图生成器的自动图对比学习
- D-SLA：基于精确差异学习的图自监督学习
- DSGC：双空间图对比学习
- JOAO：自动化选择数据增强的GraphCL
- GCA：基于自适应数据增强的图对比学习
- GraphCL：基于数据增强的图对比学习
- MVGRL：多视图图对比学习
- InfoGraph：基于互信息最大化的无监督和半监督图表示学习
- Deep Graph Infomax：互信息最大化的无监督图对比
- Deep InfoMax：基于互信息最大化的表示学习
- MINE：随机变量互信息的估计方法
- MoCo：无监督视觉表示学习的动量对比
- GACL：基于对抗图对比学习的社交媒体谣言检测
- LINE：大规模信息网络嵌入方法
- EBGCN：面向传播不确定性的谣言检测边增强贝叶斯图卷积网络
- DeepWalk：图表示的在线学习
- 基于树Transformer的推特谣言检测
- Bi-GCN：基于双向图卷积网络的社交媒体谣言检测
- 基于树结构递归神经网络的推特谣言检测
- 从评论中构建可解释的意见图
- 基于属性补全的异质图神经网络
- HGAT：假新闻检测的分层图注意力网络
- 图注意力网络
- GCAN：可解释的社交媒体假新闻检测方法
- EANN：多模态假新闻检测的事件对抗神经网络
- 反向传播的无监督域自适应方法
- ConSERT：一个自监督对比学习句子表示迁移框架
- 正则化技术的选择和超参数优化：简单神经网络处理表格数据
- GraphSAGE：大型图的归纳式表示学习
- PATCHY-SAN：卷积神经网络处理图结构数据
- 第三代图卷积网络：使用图卷积网络进行半监督分类
人工智能学习频道