Jun, 2023

基于耦合与解耦的自然语言到 SQL 生成的特征表示学习

PDF
TL;DR本文提出了一种称为 CFCDC 模型的方法，使用特征表示解耦方法来区分 SELECT 和 WHERE 子句和一种多任务学习架构用于解耦不同 SQL 任务之间的内在相关性特征，提出了一种改进的特征表示耦合模块以集成 SELECT 和 WHERE 子句的解耦任务并预测最终的 SQL 查询，并在 WikiSQL 数据集上展示出优秀的性能。
发现论文，激发创造
  • CCFC++：通过特征去相关化增强联邦聚类

    通过与对比学习的结合，本研究对异构数据对群聚式对比联邦聚类（CCFC）的影响进行了理论和实证分析，发现数据异构性加剧了 CCFC 中的维度崩溃，并通过引入一个去相关度正则化器解决了这个问题，使 CCFC 的性能得到了显著提升，NMI 得分最高达到 0.32。

    Feb, 2024

  • 解耦对比协同过滤

    本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

    May, 2023

  • 全局特征和超列特征之间的跨情境学习的自监督表示学习

    我们提出了一种新的自监督框架，利用交叉背景学习全局特征和超列特征之间的一致性，以增强实例之间的关系，实验证明我们的方法胜过现有的最先进方法。

    Aug, 2023

  • 层次化解耦空间 - 时间对比用于自监督视频表征学习

    提出一种新的自监督视频表示学习技术，通过将学习目标分解为两个对比子任务并分层进行，强调空间和时间特征，从而鼓励多尺度理解。通过实验表明，可以将增强作为规则化进行操作来指导网络在对比学习中学习所需的语义，并提出一种方式，使模型可以在多个尺度上分别捕捉空间和时间特征。还介绍了一种克服不同层次上实例不变性差异的方法。将代码公开。

    Nov, 2020

  • GraphCFC: 一种基于有向图的跨模态特征补充方法，用于多模态对话情感识别

    通过构建跨模态特征补充的有向图模型，利用多个子空间提取器和配对交叉模态补充策略，设计了一种直接的基于图神经网络的跨模态情感识别模块 (GraphCFC)，并测试表明该模块在情感识别任务上表现优于目前最先进的方法。

    Jul, 2022

  • FCDS：将成分和依赖句法融合到文档级关系抽取中

    本研究将成分句法和依赖句法融合到文档级关系抽取（DocRE）中，使用成分句法整合整个句子信息和为目标对选择指导性句子，利用依赖句法在图结构中选择实体对之间的路径。实验结果表明该方法的有效性。

    Mar, 2024

  • 可学习的图卷积网络和特征融合用于多视角学习

    本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架，该框架旨在从异构视角中学习潜在的特征表示，并探索可区分的图融合，通过 Learnable Graph Convolutional Network and Feature Fusion (LGCN-FF) 方法能够有效地提高多视图半监督分类的准确度。

    Nov, 2022

  • 高效的超列关联语义匹配

    利用多尺度相关图的潜力，提出了一种高效的语义匹配方法 HCCNet，通过特征分割和点卷积等操作，实现了在语义匹配上具有先进水平或有竞争力的性能，同时降低了延迟和计算开销。

    Nov, 2023

  • 学习关系间完整的拓扑感知相关性用于归纳链路预测

    TACO 是一种基于子图的新型方法，通过建模与拓扑结构高度相关的关系之间的语义相关性，将图级特征和边级交互相结合，以同时进行推理的方式，在归纳链接预测任务中实现了卓越的性能。

    Sep, 2023

  • 超图对比协作过滤

    提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

    Apr, 2022