Aug, 2015

SDSS-IV 扩展重子振荡光谱测量巡天项目：概述与初步数据

PDF
TL;DReBOSS 将利用 BOSS 光谱仪进行新的宇宙观测，并使用四种不同的示踪器来测量矢量声波振荡（BAO），预计将提供精度为 1.2％ 的 $d_A (z)$ 测量值和精度为 2.1% 的 H (z) 测量值。
ebosscosmological observationsspectroscopic tracersbaryon acoustic oscillationsboss
发现论文，激发创造
  • ESB：多域端到端语音识别基准测试

    本文介绍了一个最新的基于端到端的语音识别测试平台，探讨了跨多个不同数据集和语音分布时对识别相同语音流的支持，并对不同的系统进行了比较分析分析，发现端到端系统在不同数据集的应用效果良好，并指出了如何改进现有语音识别系统存在的问题。

    Oct, 2022

  • BESS: 大规模知识图谱补全的平衡实体采样与共享

    本文介绍了一种利用一系列知识图谱嵌入模型进行分布式训练的方法，实现了对知识图谱 WikiKG90Mv2 上链接预测的高效准确，取得了比赛的第一名。

    Nov, 2022

  • 基于方面的情感分析数据集综述

    该研究提供了一个数据库的语料库被用于训练和评估自主 ABSA 系统，对于研究人员选择语料库时应考虑的一些特点进行了概述，分析了目前的收集方法的利弊，并建议未来 ABSA 数据集收集，在 65 个公开可用的 ABSA 数据集上进行了调查。

    Apr, 2022

  • ROAST：评论级别观点方面情感目标联合检测

    该研究通过引入 ROAST 任务，致力于解决 ABSA 技术在完整评论文本中的评估问题，包括低资源语言的评估、句子级和文本级 ABSA 之间的差距，并通过扩展可用数据集以处理低资源语言、多种语言和各种主题，从而对 ABSA 技术进行全面评估，提高对任务及其在不同语言和领域中的实际应用的理解。

    May, 2024

  • 语义对齐减少偏见的零样本学习

    本文提出了一种新的零样本学习方法 ——Semantically Aligned Bias Reducing (SABR) ZSL，旨在通过学习一个潜在空间来解决 hubness 问题，同时通过交叉验证和弱转移约束来减轻示例类别偏移问题，并在三个基准数据集上广泛实验证明，与现有的最先进算法相比，在传统和推广的 ZSL 设置下，性能显著提高了 1.5-9％或 2-14％。

    Apr, 2019

  • 零样本基于方面的情感分析

    本研究提出了一种名为对比后训练的自然语言推理方法，可以在没有人工注释数据的情况下，对新领域中针对方面的情感分析（ABSA）进行零 - shot 转移，并在多个 ABSA 任务中进行了评估。

    Feb, 2022

  • 关于方面情感分析的稳健性：对模型、数据和训练的重新思考

    本研究针对情感分析在实际应用中的可靠性进行了探究，通过加强当前最佳的句法感知模型，并基于丰富的伪数据进行敌对训练，进一步提高了模型的鲁棒性。实验结果表明，所提出的方法比现有的基线模型的鲁棒性性能更好，同时合成语料库作为额外数据能够进一步提高测试准确性。

    Apr, 2023

  • 面向开放式人力资源调查响应的方面情感分析

    本文提出了一种针对荷兰员工满意度调查中开放式回答的基于方面的情感分析（ABSA）的机器学习方法，通过回应聚类识别了六个关键方面，并使用荷兰预训练语言模型与基准模型进行对比，成功应用于人力资源（HR）领域，对 ABSA 领域有重要贡献。

    Feb, 2024

  • 无序文本中的动态方面注释总结的基准测试：Disordered-DABS

    针对无序文本的动态方面导向摘要提出了 Disordered-DABS 评估框架，并通过实验证明该框架对于包括语言模型在内的现代摘要模型存在独特挑战。

    Feb, 2024

  • 逐步矫正：使用扩散模型改进基于方面的情感分析

    DiffusionABSA 是专门为 Aspect-Based Sentiment Analysis（ABSA）而设计的一种新型扩散模型，通过逐步提取方面术语，并采用一种逆向的去噪过程来精确确定边界，其中使用了语法感知的时间注意机制，实验证明 DiffusionABSA 在八个基准数据集上相对于其他基准模型具有明显的优势。

    Feb, 2024