2019MLA

Developing Advanced Telechnology for Better Access of Information

• Serach System

QDC：

Query
Document
Click

Postation Bias: User prefer top diucuments

• Recommanded System

用户可以和系统交互

---

图像的非监督增强匹配

• 小样本学习

困难：Data Capture，需求就是降低数据标注量，如果使用Few—shot Learning， 只使用几张样本就可以完成学习。 即Semi—Supervised Learing，将标注传播。 对数据进行增广，将突袭那个旋转旋转等，这样损失函数会有两个，分别来自原图想和增广图像。

，使用计算机图新洒狗血生成呢个的图片进行学习最后应用到实际生活中，和传统做法不一样的地方，在中呢格式数据上做分布时，泛数对齐（SCV Best mention）。

Mult—Instance Learning

Mult—Label Learing： Car——Street——Bulding 之间有联系，根据这个分类

Co—Traning： 根据内容做分类器，在根据link做一个分类器，当没有标签的数据经过有网络时，先过分类器，如果获得一个表较好的标注，那就认为其有标注。

• 图像的非监督增强匹配

字体的结构很相似，比如学习字的边旁笔画，借鉴DTW 动态时间扭曲，使用DPW 动态位置扭曲，两个模块位置和相似性的互相迭代。还可以将相似性度量用在其他字体的识别上, TOP1可以达到80%-90%，Top5 可以达到 98%-99%