介绍了一种名为 Disentangled Frequency-Spatial-Temporal Attention（D-FaST）的新型认知语言处理方法，并提出了具有多个关注点的解调器，通过该解调器在频率 - 空间 - 时间领域进行了解码。此外，还创建了一个新的 CLP 数据集 MNRED，并在 MNRED、ZuCo、BCIC IV-2A 和 BCIC IV-2B 等公开数据集上进行了广泛的实验评估，实验结果表明 D-FaST 在准确率上显著优于现有方法，推动了 ZuCo、BCIC IV-2A 和 BCIC IV-2B 等数据集上的准确率得分。

Jun, 2024

该论文探索了在有限资源下进行 Contrastive Language-Image Pretraining (CLIP) 训练的几个方面，介绍了 FastCLIP 框架及其在资源有限环境下的显著改进。

Jul, 2024

采用自适应随机梯度优化的实用方法可以学习拉普拉斯矩阵的完整光谱，且每个迭代的成本与样本数量成线性关系，实验证明其具备比近似方法更好的计算可扩展性。

Jul, 2016

该论文基于最新的机器学习工具，提供了一种定制的迭代求解器，结合代数多重网格方法和 proper orthogonal decomposition（POD-2G），能够在任意所需精度下，求解大规模参数化问题中的线性方程系统。

Jul, 2022

本文介绍了一种在点云上进行特征学习的方法，使用基于图卷积的局部图结构和新颖的图池化方法，该方法取得了在点集分类和分割任务中的一致可靠优势。

Mar, 2018

将超参数优化扩展到非常大的数据集仍然是高斯过程领域中一个未解决的问题。本文侧重于使用线性系统求解器（如共轭梯度、交替投影或随机梯度下降）构建边缘似然梯度的估计的迭代方法。我们讨论了三个可用于所有求解器的关键改进：（i）路径梯度估计器，减少了求解器迭代次数的要求并分摊了预测的计算成本，（ii）使用前一步的解来热启动线性系统求解器，导致更快的求解器收敛速度且误差可以忽略，（iii）在有限的计算预算后及早停止线性系统求解器，与热启动相协同，允许求解器进展在多个边缘似然步骤中积累。这些技术在达到容忍度时提供了高达 72 倍的加速，并在早停止时将平均残差范数降低了 7 倍。

May, 2024

本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法，分别基于分层聚类和图拉普拉斯谱。结果表明，在低维图形上，可以实现独立于输入尺寸的卷积层学习，从而实现高效的深度网络结构。

Dec, 2013

本文提出了一种基于图信号处理的快速谱聚类算法，通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计，利用这些随机向量的随机性来估计聚类数目 k，相较于传统谱聚类方法，我们的方法在大规模数据集上表现相当且速度至少快二倍。

Sep, 2015

通过基于交替投影的迭代算法，我们提出了一种能够有效进行小批量处理的方法，在解决大规模高斯过程训练的实际挑战中，获得了线性收敛并具有良好的鲁棒性，实验证明在大规模基准数据集上，相比于共轭梯度方法，我们的方法加速了 2 倍到 27 倍。

Oct, 2023

嵌入式设备上的关键词检测模型需要快速适应新用户定义的词汇，同时不会遗忘之前的词汇。为此，我们提出了一种新的方法 ——Temporal Aware Pooling (TAP)，用于构建丰富的特征空间，通过计算预先训练主干架构提取的语音特征的高阶矩。我们的方法，TAP-SLDA，在实验分析中在多个设置、主干架构和基准测试中表现优异，在 GSC 数据集上相对平均增益达到 11.3%。

Jul, 2023