Zobrazeno 1 - 10
of 33
pro vyhledávání: '"Zhu, Zhuangdi"'
Understanding sports is crucial for the advancement of Natural Language Processing (NLP) due to its intricate and dynamic nature. Reasoning over complex sports scenarios has posed significant challenges to current NLP technologies which require advan
Externí odkaz:
http://arxiv.org/abs/2406.14877
Autor:
Xia, Haotian, Yang, Zhengbang, Zhao, Yun, Wang, Yuqing, Li, Jingxi, Tracy, Rhys, Zhu, Zhuangdi, Wang, Yuan-fang, Chen, Hanjie, Shen, Weining
Recent integration of Natural Language Processing (NLP) and multimodal models has advanced the field of sports analytics. This survey presents a comprehensive review of the datasets and applications driving these innovations post-2020. We overviewed
Externí odkaz:
http://arxiv.org/abs/2406.12252
The ultra-low latency requirements of 5G/6G applications and privacy constraints call for distributed machine learning systems to be deployed at the edge. With its simple yet effective approach, federated learning (FL) is a natural solution for massi
Externí odkaz:
http://arxiv.org/abs/2302.02573
Publikováno v:
Proceedings of the 38th International Conference on Machine Learning, PMLR 139, 2021
Federated Learning (FL) is a decentralized machine-learning paradigm, in which a global server iteratively averages the model parameters of local users without accessing their data. User heterogeneity has imposed significant challenges to FL, which c
Externí odkaz:
http://arxiv.org/abs/2105.10056
Learning from Observations (LfO) is a practical reinforcement learning scenario from which many applications can benefit through the reuse of incomplete resources. Compared to conventional imitation learning (IL), LfO is more challenging because of t
Externí odkaz:
http://arxiv.org/abs/2102.13185
Reinforcement learning is a learning paradigm for solving sequential decision-making problems. Recent years have witnessed remarkable progress in reinforcement learning upon the fast development of deep neural networks. Along with the promising prosp
Externí odkaz:
http://arxiv.org/abs/2009.07888
Model-free deep reinforcement learning (RL) has demonstrated its superiority on many complex sequential decision-making problems. However, heavy dependence on dense rewards and high sample-complexity impedes the wide adoption of these methods in real
Externí odkaz:
http://arxiv.org/abs/2004.00530
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.