会员服务
泛化理论 · 样例 · 数据集 · 计算学习理论 · 人工智能 ·
2021 年 8 月 13 日
Datasets for Studying Generalization from Easy to Hard Examples
翻译：从简单到硬实例研究通用化的数据集
Avi Schwarzschild,Eitan Borgnia,Arjun Gupta,Arpit Bansal,Zeyad Emam,Furong Huang,Micah Goldblum,Tom Goldstein
Avi Schwarzschild,Eitan Borgnia,Arjun Gupta,Arpit Bansal,Zeyad Emam,Furong Huang,Micah Goldblum,Tom Goldstein

We describe new datasets for studying generalization from easy to hard examples.


翻译：我们描述新的数据集,用于从简单到硬的例子来研究概括化。
0
下载
关闭预览

相关内容

不可错过！UIUC最新《对抗机器学习》课程，附PPT
专知会员服务
35+阅读 · 2020年12月28日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
50+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
163+阅读 · 2019年10月12日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
182+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
105+阅读 · 2019年10月9日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
From SCAN to Real Data: Systematic Generalization via Meaningful Learning
From SCAN to Real Data: Systematic Generalization via Meaningful Learning
Arxiv
0+阅读 · 2021年10月8日
Towards Out-Of-Distribution Generalization: A Survey
Arxiv
38+阅读 · 2021年8月31日
Adaptive Methods for Real-World Domain Generalization
Arxiv
13+阅读 · 2021年3月29日
Pretrained Transformers Improve Out-of-Distribution Robustness
Arxiv
5+阅读 · 2020年4月13日
Train Once, Test Anywhere: Zero-Shot Learning for Text Classification
Arxiv
4+阅读 · 2017年12月23日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
泛化理论
样例
数据集
计算学习理论
人工智能
相关VIP内容
不可错过！UIUC最新《对抗机器学习》课程，附PPT
专知会员服务
35+阅读 · 2020年12月28日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
50+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
163+阅读 · 2019年10月12日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
182+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
105+阅读 · 2019年10月9日
热门VIP内容
相关资讯
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
From SCAN to Real Data: Systematic Generalization via Meaningful Learning
From SCAN to Real Data: Systematic Generalization via Meaningful Learning
Arxiv
0+阅读 · 2021年10月8日
Towards Out-Of-Distribution Generalization: A Survey
Arxiv
38+阅读 · 2021年8月31日
Adaptive Methods for Real-World Domain Generalization
Arxiv
13+阅读 · 2021年3月29日
Pretrained Transformers Improve Out-of-Distribution Robustness
Arxiv
5+阅读 · 2020年4月13日
Train Once, Test Anywhere: Zero-Shot Learning for Text Classification
Arxiv
4+阅读 · 2017年12月23日
Top
微信扫码咨询专知VIP会员
Top