介绍了一种基于模式的方法来从数据中生成可行的见解，并通过用户反馈对见解进行排名，从而驱动增长和变革。展示了使用该技术生成的初步定性结果，并展示了它适应反馈的能力。

Jul, 2023

IGNNet 是一个解释性图神经网络，用于处理表格数据，通过表征学习的方式捕获特征交互，大规模的实证研究证明 IGNNet 与 XGBoost、Random Forests 和 TabNet 等最先进的机器学习算法在处理表格数据时表现相当，同时 IGNNet 的解释与特征的 Shapley 值一致而无需额外的计算开销。

Aug, 2023

我们开发了一个基于数据驱动方法的自然语言接口系统，其中包含了一个逐步查询推荐模块，帮助用户在探索大型复杂 SQL 数据库时进行更有效和系统化地数据分析过程。我们的用户研究表明，相比于没有推荐模块的基准系统，我们的系统可以帮助用户更加高效和系统化地进行数据分析。

Jan, 2022

本文提出了一种新型深度学习模型，使用图神经网络（GNN）—— 特别是交互网络（IN）进行情境嵌入，以应对以表格形式存在的异构数据和特征。该模型在五个公共数据集上的深度学习基准测试中表现优异，优于最近发表的研究结果，并在与增强树解决方案的比较中也取得了竞争结果。

Mar, 2023

N2G 提供了一种 less labour intensive 的方式来解释语言模型中的神经元，同时适用于 Large Language Models（LLMs），通过转化神经元的行为为可解释的图表来帮助研究人员对模型的内部机制进行研究。

Apr, 2023

利用 AGIR（Automatic Generation of Intelligence Reports）工具，本文介绍了一种支持自然语言处理技术的智能报告生成工具，能够在 CTI（Cyber Threat Intelligence）报告中通过形式化表达的实体图生成全面准确的情报报告，从而显著加快报告编写的速度并自动化 CTI 的多个任务。

Oct, 2023

本研究提出了一种基于神经网络的嘈杂不确定的指示（Neural NID）算法，使用正则化的图神经网络学习抽象对象属性和对象之间的关系，并证实其具有更好的泛化性能。

Feb, 2022

本文介绍了一种名为神经关系推断（NRI）模型的非监督学习算法，该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用，通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。

Feb, 2018

本文介绍了完全由机器学习算法生成的第一个大规模公开生物医学知识图谱 Biomedical Informatics Ontology System（BIOS），包括生物医学术语的整理、同义词的计算识别、概念节点的聚合、语义类型分类、关系识别和医学机器翻译。结果提示，基于机器学习的 BioMedKG 开发是传统专家编纂的可行替代方案。

Mar, 2022

本文提出将生成模型和信息压缩模型结合在一起，通过信息瓶颈模型提高命名实体识别（NER）性能。通过实验证明，联合训练生成模型和信息压缩模型可以增强基线的基于 span 的 NER 系统的性能。

Feb, 2023