Jun, 2022

通过邻域传播学习表格数据的增强表示

PDF
TL;DR本文提出了 PET 模型，通过超图与消息传递来增强目标数据表达，并融合标签和特征以及高阶特征交互来实现表格预测任务中的数据预测。实验验证了 PET 模型的优越性以及模型组件和功能增强能力。
发现论文，激发创造
  • 利用模式挖掘训练增强表格推理

    本文采用 Pattern-Exploiting Training 技术对预训练语言模型进行强化，在知识事实和表格推理方面优于当前基准，且更有效地支持信息选项卡的底层推理任务，且该模型对各种字符和单词级扰动具有鲁棒性。

    Oct, 2022

  • 学习表格数据的语义注释

    本研究采用深度学习方法，通过利用表格的上下文语义特征和知识库查询算法，实现了对没有元数据的表格的列类型预测，不仅在单独的表格集上表现良好，转移学习到其他表格集也有良好的性能。

    May, 2019

  • 利用嵌入传播学习图表示

    Embedding Propagation（EP）是一种针对图结构数据的无监督学习框架，通过前向和后向信息传递计算出节点表示，具有较少的参数和良好的性能。

    Oct, 2017

  • 一种基于图的性能分析新型表示学习技术

    将表格形式的性能数据转换为图形，利用图神经网络方法捕捉特征和样本之间复杂的关系，以提高回归任务的性能分析领域中的预测模型的性能。

    Jan, 2024

  • 无合成假设学习表示

    本文使用图表征学习的方法来解决不同测量源所生成的多视图表格数据的无监督建模问题，并提出了一个基于数据驱动的方法，将特征集表示为图节点，通过可学习的边来表示它们之间的关系，并引入了一种新的分层图自编码器 LEGATO，学习一个小的潜在图来动态地汇集多个视图的信息，并采用定位信息来对输入进行建模，因此能更好地提高下游性能。

    May, 2023

  • 使用预训练语言模型建模表格数据

    通过引入预训练语言模型（PTM）和三个处理阶段（MT、MF、CF），提出了一种新的名为 PTab 的框架，以将预训练模型用于建模表格数据，并取得比现有技术更好的分类效果。

    Sep, 2022

  • 基于潜在图的生物医学表格数据半监督学习

    通过建立潜在图来发现数据之间的内在关系，我们的方法在半监督学习中取得了最先进的结果，并且在三个生物医学数据集上进行了验证。

    Sep, 2023

  • 面向新闻推荐的图增强表示学习

    该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

    Mar, 2020

  • 基于元表示的异构表格数据无需训练的泛化

    通过元表示的基于预训练的表格数据（TabPTM）模型，可以有效地应用于具有不同属性和类别空间的异构数据集，从而实现无需额外训练的泛化能力。

    Oct, 2023

  • XTab：跨表预训练技术用于表格 Transformer 模型

    本研究提出了一个名为 XTab 的跨表格预训练框架，使用自监督学习算法来提高多种数据集上的表格变换器的泛化性、学习速度和性能，并通过联邦学习解决了跨表不一致的挑战。

    May, 2023