Feb, 2024

通过解读脑信号进行查询扩充

PDF
TL;DR利用从脑信号解码出的语义信息增强查询，Brain-Aug 生成原始查询的继续部分，通过排序导向的推理方法提高查询准确性，实验证明 Brain-Aug 使查询更准确，进而提高文档排序性能，对于歧义查询尤为显著。
query augmentationbrain-augsemantic informationbrain signalsdocument ranking
发现论文，激发创造
  • 数据库增强的信息检索查询表示

    利用关系数据库中的元数据和图形集编码策略，我们提出了一种改进了查询性能的检索框架，用于扩展查询并增强信息检索模型。

    Jun, 2024

  • 使用 fMRI 提示的 LLM 进行开放式词汇听觉神经解码

    使用大脑表示作为提示进一步驱动大规模语言模型从脑信号中解码听觉神经信息是可行且有效的。

    May, 2024

  • BrainChat：使用视觉 - 语言预训练模型从脑功能磁共振成像解码语义信息

    使用 CoCa 模型，本文提出了一种简单而有效的生成框架 BrainChat，旨在从脑活动中快速实现语义信息解码任务，包括 fMRI 问题回答和 fMRI 字幕生成，通过编码稀疏的 fMRI 数据，利用对比损失将 fMRI、图像和文本嵌入对齐，然后通过交叉注意层将 fMRI 嵌入映射到生成的脑解码器，以最小化字幕损失的方式以回归的方式生成有关 fMRI 的文本内容。成功地超过了现有状态 - of-the-art 方法在 fMRI 字幕生成任务中，并首次实现了 fMRI 问题回答。此外，BrainChat 在没有图像数据的情况下仍可以实现高性能，更适用于现实世界的数据有限场景。

    Jun, 2024

  • FMRI 数据增强合成

    本研究使用经典方法和现代隐式生成模型对神经影像数据集进行了合成增广，能够 “改善预测 fMRI 模型的质量”，并且在预测认知和行为结果方面得到了较好的性能提升。

    Jul, 2019

  • 基于人脑信号推断相关性的自然脑 - 信息接口

    本文介绍了一种通过脑电波信号推断用户阅读文档的相关性和搜索意图的大脑信息接口，成功地应用于从英文维基百科语料库中检索新的相关文档，为信息推荐提供了一种不需要明示用户意愿的新方式。

    Jul, 2016

  • 探索代码搜索中的表示层增广

    本研究提出了一种在表示级别进行数据增强的方法来提高代码搜索模型的性能，其中包括三种新的增强方法，并理论和实验评估了这些方法的优势。

    Oct, 2022

  • AugTriever：可扩展的数据增强无监督密集检索

    本文提出了无需注释的可扩展伪查询文档对训练方法，包括查询提取和转化查询生成两种。通过使用这些方法，研究展示出比其他方法更好的检索表现。

    Dec, 2022

  • 跨域文本到 SQL 解析中的基于层次化 SQL 到问题生成的数据增强

    该论文通过设计一个简单而有效的数据增强框架，提出了一种层次化的 SQL 转自然语言问题生成模型，以及一种简单的采样策略来显著提高训练效率。在三个跨领域数据集上的实验表明，其方法可以一贯地改善表现，并且层次化生成组件是改善的关键。

    Mar, 2021

  • 语音助手中查询重写的模式感知数据增强

    提出了一种数据增强框架，利用现有的训练数据学习模式并且逆向生成重写标签，有效地支持在低资源领域或语境中提高查询重写系统的性能，相比于完全训练模型的基准模型，实验结果表明其有效性。

    Dec, 2020

  • 基于贝叶斯的随机语义数据增强在医学图像分类中的应用

    提出了一种名为 Bayesian Random Semantic Data Augmentation 的新型、高效且即插即用的语义数据增强方法（BRSDA），通过在特征空间中沿特定方向进行简单的平移，实现语义转换，并结合其他主流的数据增强方法，取得了优越的性能。

    Mar, 2024