- GraphViz2Vec：提升 GNNs 分类效果的结构感知特征生成模型
本文提出了一种新的特征提取方法 GraphViz2Vec，可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入，这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。
- 残差对齐：揭示残差网络的机制
ResNet 架构在深度学习中得到广泛采用，通过使用简单的跳跃连接显著提高性能，但其成功背后的机制仍然大部分未知。本文通过使用剩余雅可比矩阵对其构成的残差块进行线性化，并测量其奇异值分解，在分类任务中进行了对 ResNet 架构的彻底实证研 - SemEval-2017 任务 4: 使用 BERT 进行 Twitter 情感分析
使用 BERT 模型对 SemEval2017 中 Twitter 上的英语情感分析任务 4A 进行解决，在训练数据量较小的分类任务中，BERT 是一个非常强大的大型语言模型。使用此模型进行实验时，我们使用了包含 12 个隐藏层的 BERT - CreINNs：用于分类任务中的置信间隔神经网络的不确定性估计
本研究介绍了一种用于分类任务的全新可信区间神经网络（CreINNs），通过确定性区间捕获权重不确定性，同时使用概率区间的数学框架预测区间集合；对 CIFAR10 与 SVHN 的异分布检测基准进行的实验证实表明，与变分贝叶斯神经网络（BNN - ACL自然语言处理中的分类评估指标问题讨论
在自然语言处理（NLP）分类任务中，衡量模型泛化能力的常规度量指标（如准确率、F - 度量或 AUC-ROC）的多样性和任意性表明 NLP 领域尚无一致的最佳度量指标。本文对比了几种常规分类度量指标与更具特异性的度量指标，并证明随机猜测的归 - 平衡图结构信息用于脑疾病检测
本研究提出了 Bargrain，它通过使用图卷积网络模拟了两种图结构：过滤后的相关矩阵和最优样本图，旨在既得益于这两种图结构，又解决了仅依赖单一结构的限制。大量实验证明，Bargrain 在脑部疾病数据集的分类任务中，以平均 F1 分数为衡 - L-TUNING：LLM 中的 Prompt 和 Prefix 同步标签调整
传统方法在对大型语言模型（LLMs）进行任务微调时面临着挑战。这篇论文介绍了一种名为 L-Tuning 的有效微调方法，专为自然语言推理（NLI）框架中的分类任务而设计，通过对预训练 LLM 进行标签令牌的微调，从而改善模型的训练效果和分类 - 信息修改的 K 最近邻算法
提出了一种新的分类方法，名为信息修正 KNN（IMKNN），通过引入互信息（MI）来提高 K - 最近邻算法（KNN）的性能，并从合作博弈论中的 Shapley 值概念汲取灵感，以优化价值分配。实验结果表明，在不同数据集和评判标准下，IMK - 时间序列分类中借鉴图像突出方法的 XAI
本文提出了一种基于深度神经网络的师生架构（蒸馏模型），用于在时间序列分类任务中提供可解释性。该方法通过将时间序列转换为 2D 图形，并应用图像高亮方法（如 LIME 和 GradCam），使预测结果可解释。同时，该方法在与基准模型竞争时提供 - IG 字幕生成器：信息增益字幕生成器是强零样本分类器
通过改进生成式训练中的评价目标，研究致力于缩小生成式字幕生成器和 CLIP 分类器之间的差距，实现零样本图像分类和图像 - 文本检索任务上表现可比的效果，并希望进一步研究将生成式与判别式训练程序统一的方法。
- CRISP: 类间模型修剪的混合结构稀疏化
该研究提出了一种名为 CRISP 的修剪框架，利用混合结构稀疏模式，结合精细的 N:M 结构稀疏和粗粒度的块状稀疏，通过基于梯度的类感知显著性分数指导修剪策略，以实现对用户特定类别至关重要的权重保留，从而在 ImageNet 和 CIFAR - 文本处理对表格数据的分类
自然语言处理技术在过去十年中取得了巨大的进展。本文提出了一种新颖的框架，基于文本的分类 (TBC)，它利用最先进的文本处理技术来解决表格数据上的分类任务。我们提供了一组受控实验，展示了使用这种方法相对于其他分类方法的优势。在几个数据集上的实 - 您确定吗？在 FlipFlop 实验中挑战 LLMs 导致性能下降
通过 FlipFlop 实验，该研究探讨了大型语言模型的多轮互动行为，发现模型在回答问题时会反思并改进答案，提供了分析模型行为和评估潜在解决方案的可靠框架。
- 基于显著性的聚类框架用于识别异常预测
机器学习在生物医学领域的高风险场景中，通过减少错误分类率和识别异常预测的方法，显著提高模型性能，并应用于兽医放射学领域，增强了机器学习分类器在高风险、实际情况下的实用性和可信度。
- 基于拓扑特征和神经网络的图像分类
通过持续同调方法，将拓扑学特征与深度学习特征相结合，用于多类别分类任务，对 MNIST 数据集进行分析和评估，发现拓扑信息可以提高神经网络的准确性。
- 通过社区感知特征预测节点属性
提出一种基于社区结构的节点特征家族，探索它们的性质，并证实它们在分类任务中具有高预测能力，包含了无法由经典节点特征或节点嵌入（无论是经典还是结构化）恢复的信息。
- 可解释的时间序列神经表示用于分类目的
该研究提出了一种满足可解释性要求的无监督神经表示方法，该方法在分类任务中比其他可解释方法表现更好，并且在多个数据集上得到了验证。
- EMNLPIntenDD: 一种统一对比学习方法用于意图检测和发现
使用对比学习策略和修改的吸附法模型，IntenDD 方法通过共享的话语编码骨干来实现任务导向的对话系统中对意图的识别，并在多个任务中实现了显著的性能提升。
- 众所周知：众包和集成学习分类中的标签聚合
Crowd-Certain 是一种在众包和集成学习分类任务中进行标签聚合的新方法，通过评估标注者的一致性和受训分类器，确定每个标注者的可靠性分数，并利用预测概率实现对未来样本数据的训练分类器的复用，大幅提升性能和计算效率。在对十个不同数据集 - 演化任务的极大极小前向和后向学习的性能保障
该研究论文揭示了在一系列随时间推移而到达的分类任务中，通过利用所有任务的信息（前向和后向学习），可以实现少样本每个任务的准确分类，同时适应任务的演变，提供了显著的性能改进。