ECCVJul, 2021

社交过程：面向预测非语言社交信号的自监督元学习

PDF
TL;DR提出一种称为 Social Process models 的模型来预测对面谈话伙伴未来的行为，这种模型可以建模不同分组之间独特的动态，对于数据的利用率更高
social process modelsgroup dynamicsconversationbehavior forecastingmeta-learning
发现论文，激发创造
  • 拥挤空间中基于社交及场景感知的轨迹预测

    基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

    Sep, 2019

  • 基于自监督的会话式搜索后训练

    本篇论文提出了一种名为 SSPT 的后训练范式，通过三个自监督任务以及有效的实现来初始化会话式搜索模型以增强对话结构与语境语义的理解，并表明该方法能够提高多个现有会话式搜索方法的性能。

    Jul, 2023

  • 危机向前方：预测线上对话走向混乱

    该研究提出了一种预测在线讨论可能偏离主题的模型，通过对话建模来捕捉话题的动态及其可能的演变，从而在讨论真正变得混乱之前预测可能的混乱。

    Sep, 2019

  • 会话偏离的动态预测

    自动预测公开在线对话中的偏离度可提供早期干预机会。我们将预训练语言编码器应用于此任务，并尝试将训练范式从静态转换为动态以增加预测范围。该方法在高质量数据环境下表现出更长平均预测范围，但在低质量数据环境下动态训练会传播噪音并对性能产生负面影响。

    Oct, 2021

  • 卷积神经过程用于元学习稳定随机过程预测

    本文提出一种基于卷积神经过程 (Convolutional Neural Process，ConvNP) 的方法，使得神经过程 (NP) 引入了平移等变性并扩展卷积条件 NP 以允许对预测分布的依赖关系进行调整，从而在实现 Thompson 抽样或条件图像完成等相关任务时获得协调的样本，这些任务与真实世界的时空数据相关。

    Jul, 2020

  • 从朋友那里学习：基于社交网络的少样本个性化对话系统

    本文提出了一种利用社交网络进行少样本个性化对话的元学习方法，并说明了该方法相较于传统的对话生成方法在适应性、多样性和与说话人的一致性等方面的优势。

    May, 2021

  • SPOT：具有元学习的临床试验结果序列预测建模

    为了提高临床试验的准确度和可解释性，我们提出了一种基于历史试验数据的序列预测临床试验结果的方法，SPOT（Sequential Predictive mOdeling of clinical Trial outcome），它使用话题发现模块，序列学习和元学习策略来预测试验结果，并取得了 21.5％、8.9％和 5.5％的显着提升了阶段 I，阶段 II 和阶段 III 临床试验结果的 PR-AUC 指标。

    Apr, 2023

  • 用自组织决策树的时空点过程预测

    本文提出了一种新方法，利用 Hawkes 过程和自适应决策树来对时空数据进行建模，通过非平稳的时空表达，对每个子区域进行点处理来对其进行统计，且提供了一种基于梯度的联合优化算法， 实验结果表明，与文献中常用的标准方法相比，该方法在空间适应性和联合优化方面显著提高了预测结果。

    Mar, 2020

  • 多方参与” 中的 “派对” 在哪儿？—— 分析小组社交会话结构

    本文研究了多方互动的会话分析，重点关注了会话结构和时间性，这些结果可以为计算模型提供指导，并探讨了这些发现对多方智能应用程序设计的影响。

    Aug, 2006

  • 面向对话文本到语音合成的半监督预训练用于自发风格建模

    我们提出了一种半监督预训练方法，通过考虑文本和语音信息来检测语音中的自发行为标签，并使用语言感知编码器建模对话中每个句子之间的关系。实验结果表明，我们的方法能够实现更好的表达式语音合成性能，具备对自发式语音的自发行为建模以及从文本中预测合理的自发行为的能力。

    Aug, 2023