利用智能系统检测新闻文章中冗余信息的使用越来越普遍，而新闻媒体的激增为此提供了机会。然而，新闻的异质性可能导致这些系统产生虚假的发现。将新闻相似性数据集按主题分割能提高这些模型的训练效果，但目前缺乏主题特定的数据集。本文提出了一个新的相似新闻数据集 SPICED，包括犯罪与法律、文化与娱乐、灾害与事故、经济与商业、政治与冲突、科学与技术以及体育七个主题。此外，我们还提出了四种不同的方法用于生成新闻对，用于创建专门用于新闻相似性检测任务的数据集。我们使用 MinHash、BERT、SBERT 和 SimCSE 模型对创建的数据集进行了基准测试。

Sep, 2023

提出了 ParaSCI，这是第一个在科学领域内的大规模释义数据集，包括来自 ACL（ParaSCI-ACL）的 33,981 对释义和来自 arXiv（ParaSCI-arXiv）的 316,063 对释义。通过收集对同一篇论文的引用或聚合科学术语的定义等方法，我们挖掘了科学论文的特点和共同模式，并且提出了 PDBERT 作为一种通用的释义发现方法来利用部分释义的句子。ParaSCI 的释义具有突出的长度和文本多样性的优点，这与现有的释义数据集相补充。ParaSCI 在人类评估和下游任务中获得了令人满意的结果，尤其是长篇释义生成方面。

Jan, 2021

本文通过实证实验对现代的图像标注系统和评价指标进行了分析，并引入了一种新的独特度度量标准 SPICE-U，该标准通过使用对象探测器以及使用相互信息作为重新排序目标来改善现有的标注模型。

Sep, 2020

提出了基于场景图谱的自动生成图像标题评估指标 SPICE，其捕捉人类判断模型生成标题的能力优于现有指标，并能回答哪个标题生成器更懂颜色和能否计数等问题。

Jul, 2016

本文提出了一个名为 PARADE 的新型基准数据集，用于测试包含不同领域专业知识的文本相似性鉴别模型。结果表明，即使是最先进的神经网络模型以及普通人类标注者在此数据集上的表现也十分糟糕。PARADE 可以为需要加入专业领域知识的模型提供一个资源。我们公开了数据集和代码。

Oct, 2020

提出了一种为训练和评估短语嵌入而创建的数据集 PiC，该数据集包含～28K 的名词短语及其上下文维基页面，该数据集有助于提高排序模型的准确性并且将跨度选择 (SS) 模型的性能推向近乎人类的精度水平，同时该文还发现该方法更好地捕捉了单词短语的共同含义。

Jul, 2022

通过将多模态输入与先前的语境相结合，我们介绍了一种称为 SPICE 的任务，旨在提高人工智能代理程序的上下文意识。SPICE 不仅仅是传统语义解析，还提供了一种结构化、可解释的框架，用于根据新信息动态更新代理程序的知识，反映人类沟通的复杂性。我们开发了 VG-SPICE 数据集，旨在通过口语对话交换中的视觉场景图构建来挑战代理程序，并突出了语音和视觉数据的整合。我们还介绍了用于 VG-SPICE 的音频 - 视觉对话场景解析器 (AViD-SP)。这些创新旨在改进多模态信息处理和整合。VG-SPICE 数据集和 AViD-SP 模型均已公开提供。

Jun, 2024

本文提出了一种基于语义伪标签的图像聚类框架，使用两种语义感知的伪标签算法进行自监督学习来测量特征相似性和聚类差异，并成功将无监督分类与有监督分类之间的差距缩小，实现了图像聚类的新突破。

Mar, 2021

本篇论文提出了一种基于多样性释义的句法丰富分布的鲁棒性训练框架，用于解决模型训练中句法分布现实世界的不完全可观察性挑战。该框架包含两种算法，旨在恢复表达转化的知识。该框架可以应用于其他句法部分可观察的领域。在基于框架构建的验证集 CaRB-AutoPara 中，失败的模型在句法分布差异增加时性能下降，而实验结果表明，我们的框架可以给出一个鲁棒的边界。

Jan, 2023

SciEv 是一个系统，可以在给定科学新闻文章的情况下搜索科学证据论文，并采用两阶段查询范式以检索候选论文并进行重新排序，它使用领域知识实体来找到候选论文，证明比常规关键短语更有效，并在重排阶段中探索了新闻文章和候选论文的不同文档表示方法。

Apr, 2022