隨著金融科的快速發(fā)展區(qū)塊鏈、人智能、多模和預(yù)訓(xùn)練排等新興技術(shù)域已成為全科技巨頭“爭之地”。為以科技創(chuàng)為核心驅(qū)動的金融科技業(yè)，度小滿科技研發(fā)、主創(chuàng)新等方進行了大量入，在新興術(shù)領(lǐng)域不斷得新突破。日，度小滿融數(shù)據(jù)智能用部 AI-Lab 的兩篇論文分別選 ACM MM 和 CIKM 國際頂級會議。了解，度小兩篇論文分就多模態(tài)和訓(xùn)練排序等個熱門話題出了新穎的法，并在相任務(wù)上達到國際頂尖水，獲得了審人的一致好并最終錄用這標(biāo)志著度滿在自然語處理和計算視覺等人工能前沿領(lǐng)域研究得到了際同行的認(rèn)。度小滿新型可滿足多務(wù)場景需求小滿 AI-Lab 團隊撰寫的“具實體對齊網(wǎng)的位置增強 Transformer”論文被 ACM MM 錄用，以下為論文簡介：多圖像除了際的物體和景等信息外通常還包含很有價值的本信息，這于理解圖像景是十分重的。因此本主要研究基文本的視覺答任務(wù)，這任務(wù)要求機可以理解圖場景并閱讀像中的文本回答相應(yīng)的題。然而之的大多數(shù)工往往需要設(shè)復(fù)雜的圖結(jié)和利用人工定的特征來建圖像中視實體和文本間的位置關(guān)。為了直觀效地解決這問題，我們出了具有實對齊網(wǎng)格的置增強 Transformer。與之前的模型相，我們在不要復(fù)雜規(guī)則情況下，顯地引入了目檢測和 OCR 識別的視覺實體的連相對位置信。同時我們據(jù)物體與 OCR 實體映射關(guān)系，用觀的實體對網(wǎng)格代替復(fù)的圖形結(jié)構(gòu)在該網(wǎng)格中不同位置的散實體和圖的區(qū)塊信息以充分交互該模型能夠合目標(biāo)檢測OCR 以及基于 Transformer 的文本表示等多種法的優(yōu)勢，強算法對于像中場景信的理解，更?準(zhǔn)地融合圖與文本多模的信息，進步助力證件別、人臉與體檢測等業(yè)場景，提升小滿在視覺控方面的技能力。度小論文開創(chuàng)性出動態(tài)多粒學(xué)習(xí)方法度滿另一篇“于 BERT 的動態(tài)多粒度排序模型的論文被 CIKM 錄用，以下為該文簡介：近來，預(yù)訓(xùn)練語言模型廣應(yīng)用于文本檢索排序任中。然而，真實場景中用戶的行為往受到選擇曝光偏差的響，這可能導(dǎo)致錯誤的簽進而引入外噪聲。而于不同候選檔，以往的練優(yōu)化目標(biāo)常使用單一度和靜態(tài)權(quán)。這使得排模型的性能容易受到上問題的影響因此，在本中我們重點究了基于 BERT 的文檔重排序任，開創(chuàng)性地出了動態(tài)多度學(xué)習(xí)方法該種方法能讓不同文檔權(quán)重根據(jù)預(yù)概率動態(tài)變，從而減弱正確的文檔簽帶來的負(fù)影響。此外該方法還同考慮了文檔度和實例粒來平衡候選檔的相對關(guān)和絕對分?jǐn)?shù)在相關(guān)基準(zhǔn)據(jù)集上的實進一步驗證我們模型的效性。如今度小滿在區(qū)鏈、多模態(tài)預(yù)訓(xùn)練排序隱私計算等多前沿技術(shù)域皆有布局且取得了眾成果。當(dāng)下加強對創(chuàng)新術(shù)的運用與廣，將在助金融行業(yè)創(chuàng)發(fā)展過程中到重要作用接下來，度滿將繼續(xù)加推動前沿技在金融各領(lǐng)的落地應(yīng)用讓金融科技為金融創(chuàng)新展的助推器