論文の概要: Reproducibility Report: Contrastive Learning of Socially-aware Motion
Representations
- arxiv url: http://arxiv.org/abs/2208.09284v1
- Date: Thu, 18 Aug 2022 07:40:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-22 16:47:26.588861
- Title: Reproducibility Report: Contrastive Learning of Socially-aware Motion
Representations
- Title(参考訳): 再現性レポート:社会的に認識された運動表現の対比学習
- Authors: Roopsa Sen, Sidharth Sinha, Parv Maheshwari, Animesh Jha, Debashish
Chakravarty
- Abstract要約: 本論文は,ML再現性チャレンジ2021の一環としてICCV 2021で発表された「社会NCE:社会認識運動表現のコントラスト学習」の報告である。
オリジナルのコードは著者の footnotehrefhttps://github.com/vita-epfl/social-nce によって公開されている。
PyTorch Lightningで、著者が主張する結果を確認し、コードを再実装しようとしました。
- 参考スコア(独自算出の注目度): 0.6562256987706128
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The following paper is a reproducibility report for "Social NCE: Contrastive
Learning of Socially-aware Motion Representations" {\cite{liu2020snce}}
published in ICCV 2021 as part of the ML Reproducibility Challenge 2021. The
original code was made available by the author
\footnote{\href{https://github.com/vita-epfl/social-nce}{https://github.com/vita-epfl/social-nce}}.
We attempted to verify the results claimed by the authors and reimplemented
their code in PyTorch Lightning.
- Abstract(参考訳): 下記の論文は、ml再現性チャレンジ2021の一部としてiccv 2021で発表された「ソーシャル・nce: contrastive learning of socially-aware motion representations」の再現性レポートである。
オリジナルのコードは、著者の \footnote{\href{https://github.com/vita-epfl/social-nce}{https://github.com/vita-epfl/social-nce}}によって利用可能になった。
PyTorch Lightningで、著者が主張する結果を確認し、コードを再実装しようとしました。
関連論文リスト
- Learning Social Graph for Inactive User Recommendation [50.090904659803854]
LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。
実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
論文 参考訳(メタデータ) (2024-05-08T03:40:36Z) - Monitoring AI-Modified Content at Scale: A Case Study on the Impact of ChatGPT on AI Conference Peer Reviews [51.453135368388686]
本稿では,大規模言語モデル (LLM) によって実質的に修正あるいは生成される可能性のある大規模コーパスにおけるテキストの分数推定手法を提案する。
我々の最大可能性モデルは、専門家による参照テキストとAIによる参照テキストを利用して、コーパスレベルでの実世界のLLM使用を正確かつ効率的に検証する。
論文 参考訳(メタデータ) (2024-03-11T21:51:39Z) - Assured LLM-Based Software Engineering [51.003878077888686]
この記事では,2024年4月15日にポルトガルのリスボンで開催された International Workshop on Interpretability, Robustness, and Benchmarking in Neural Software Engineering で,Mark Harman 氏による基調講演の内容の概要を紹介する。
論文 参考訳(メタデータ) (2024-02-06T20:38:46Z) - Understanding writing style in social media with a supervised
contrastively pre-trained transformer [57.48690310135374]
オンラインソーシャルネットワークは、ヘイトスピーチから偽情報の拡散まで、有害な行動の場として機能している。
本稿では, 4.5 x 106テキストの公開資料から得られた大規模コーパスに基づいて学習したStyle Transformer for Authorship Representations (STAR)を紹介する。
512個のトークンからなる8つのドキュメントからなるサポートベースを使用して、著者を最大1616人の著者のセットから、少なくとも80%の精度で識別することができる。
論文 参考訳(メタデータ) (2023-10-17T09:01:17Z) - Fine-Grained Human Feedback Gives Better Rewards for Language Model
Training [108.25635150124539]
言語モデル(LM)は、しばしば偽、有毒、無関係な出力を生成するなど、望ましくないテキスト生成の振る舞いを示す。
本研究では,2つの点において微細な報酬関数から学習と学習を可能にするフレームワークであるFine-Grained RLHFを紹介する。
論文 参考訳(メタデータ) (2023-06-02T17:11:37Z) - A request for clarity over the End of Sequence token in the
Self-Critical Sequence Training [69.3939291118954]
本研究は,問題自体の認識を広げることによって問題を解決することを提案する。
特に、私たちは、SacreEOSというライブラリの助けを借りて、シンプルで情報的な署名を共有するために、将来的なワークスを招待します。
論文 参考訳(メタデータ) (2023-05-20T18:01:47Z) - Decay No More: A Persistent Twitter Dataset for Learning Social Meaning [10.227026799075215]
社会意味のための英語Twitterデータセット(PTSM)を提案する。
PTSMは17ドルのソーシャル意味データセットと10ドルのタスクカテゴリで構成されている。
我々は2つのSOTA事前訓練言語モデルを用いて実験を行い、PTSMが実際のツイートをパラフレーズに置換し、性能損失を極端に抑えることを示した。
論文 参考訳(メタデータ) (2022-04-10T06:07:54Z) - SocialVec: Social Entity Embeddings [1.4010916616909745]
本稿では,ソーシャルワールドの知識をソーシャルネットワークから引き出すためのフレームワークであるSocialVecを紹介する。
Twitterネットワークのサンプルから、約20万の人気のアカウントのソーシャル埋め込みを学びました。
われわれはSocialVecの埋め込みを利用して、Twitterのニュースソースの政治的偏見を誇示している。
論文 参考訳(メタデータ) (2021-11-05T14:13:01Z) - Reproducibility of "FDA: Fourier Domain Adaptation forSemantic
Segmentation [0.0]
この論文は、ML Reproducibility Challenge 2020の一部としてCVPR 2020で発表された。
コードの良いバージョンには、元のコードから得られたすべての研究とWANDBの統合が含まれています。
論文 参考訳(メタデータ) (2021-04-30T04:20:35Z) - Reproducibility Challenge NeurIPS 2019 Report on "Competitive Gradient
Descent" [6.85316573653194]
本稿では,競合する2プレーヤゲームのナッシュ平衡の数値計算のための新しいアルゴリズムを提案する。
本報告の目的は、NeurIPS 2019 Reproducibility Challengeの枠組みの中で、(Schaferらによる)作業の勾配を批判的に調べることである。
論文 参考訳(メタデータ) (2020-01-26T11:51:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。