- LLM 多智能体系统：挑战和开放问题
该论文探讨了多智能体系统中存在的问题，并提出了挑战。通过充分利用多智能体系统中个体智能体的多样能力和角色，这些系统可以通过协作来处理复杂任务。我们讨论了任务分配的优化，通过迭代辩论来促进强大的推理能力，管理复杂且分层的上下文信息，并增强记忆 - 基于上下文的在线社交平台用户参与度预测
在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据，表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度 LSTM 神经网络分析来自近 80,000 个用户的 1 亿多个 Sn - 深度上下文兴趣网络用于点击率预测
通过模型命名为深度上下文兴趣网络 (DCIN)，本文突出了上下文信息对用户行为建模的重要性，并提出了一种可完整建模点击及其显示上下文以了解用户上下文感知兴趣的新模型。通过离线和在线评估，显著改善了性能，证明了所提出的 DCIN 方法的优越性 - ICCVAIDE: 一种以视觉为驱动的多视角、多模态、多任务辅助驾驶数据集
过去十年来，司机分心成为严重交通事故的一个重要原因。本文介绍了一个考虑车内外背景信息的辅助驾驶感知数据集（AIDE），该数据集通过三个特征实现了全面的驾驶员监测，包括驾驶员和场景的多视角设置、对面部、身体、姿势和手势进行多模态注释，以及四种 - 通过交互式对比学习上下文信息实现精准弱监督目标检测
本文提出了一种交互式端到端弱监督物体检测框架 iGCL，通过引入两种针对 WSOD 特定的上下文信息和交互式图对比学习机制，实现更好的检测性能。在 PASCAL VOC 和 MS COCO 基准测试上，该框架表现优于其他最先进方法和基准模型 - 跨领域多模态凝视目标检测
本研究讨论了单幅图像的凝视目标检测问题，提出了使用多模态深度架构来推断场景中人物的注视位置的方法，并考虑了不同数据集之间的领域适应。
- CVPR上下文注意力网络用于骨架提取
本文提出了一种基于上下文信息并采用 UNet 结构的注意力模型 CANet 来提取轮廓骨架像素，同时采用距离变换和加权重点损失等技术来取得优秀的结果，并在 Pixel SkelNetOn 竞赛中获得了第一名。
- CGUA：上下文引导和未配对辅助的弱监督人员搜索
本研究提出了一种基于上下文引导和非成对辅助的弱监督人物搜索框架，其中引入了一种新的上下文引导聚类算法来利用聚类过程中的上下文信息和一个非成对辅助存储器单元来通过远离操作来区分未成对和成对的人。
- DAMO-NLP 在 SemEval-2022 任务 11 中的表现：一种基于知识的多语言命名实体识别系统
本文介绍了 DAMO-NLP 提出的基于维基百科的多语言知识库，用于提供上下文信息以帮助在短文本和低上下文环境中的多义和复杂命名实体识别。通过将知识库中的相关上下文与输入句子进行匹配，我们的系统能够有效地检索相关上下文信息并将其用于输入句子 - AAAI自适应图推理学习光流
本文提出了一种名为自适应图推理的光流图算法，通过在匹配过程中利用场景信息，有效地利用上下文信息并将其合并到匹配过程中，提高了运动估计的鲁棒性和准确性，在 Sintel 干净和最终通行证上，其 EPE 分别为 1.43 和 2.47 像素，比 - 基于临床图像特征与患者数据的色素性皮肤病自动诊断技术
该研究开发了一个基于智能手机拍摄的脂肪瘤皮肤病变图像的计算机辅助诊断系统，通过提取图像特征和病人背景信息来提高皮肤病变诊断的准确性，在实验中与专家的判断相当。
- EMNLP噪声排除：测试预训练语言模型信息处理的鲁棒性
本研究通过让模型处理带有分散注意力内容的填空任务，检验了预训练语言模型利用关键上下文信息的能力；研究结果表明，模型往往只是依靠表面上与上下文有关的信息进行预测，而对于上下文语境的理解能力不及预期。
- IJCAI基于语义分割的文档级关系抽取
本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 Doc - ACL全面研究：不同颗粒度的上下文信息如何影响对话状态跟踪？
研究了不同颗粒度的上下文信息如何影响对话状态跟踪，探索了不同颗粒度的影响程度，并讨论了如何结合多个颗粒度进行跟踪，并将所得结果应用于少样本学习场景。
- 自注意力多对抗网络的顺序推荐
本文探讨了如何通过敌对训练的方式，应用多因素生成对抗网络（MFGAN）来更好地利用上下文信息提高时序推荐系统的效率与实用性。实验证明，该架构在效果上优于现有模型，并能更好地追踪每个因素对推荐效果的贡献。
- CVPR可变形孪生注意力网络用于视觉物体跟踪
本文提出了一种名为 SiamAttn 的可变形注意力机制的 Siamese 追踪器，该机制通过自注意和交叉注意来计算特征，能够有效地更新目标模板和聚合丰富的上下文信息以进行更准确的视觉目标跟踪，并在六个基准测试中实现了最新的最优结果。
- 高性能人体关键点检测技术
本研究提出了一种用于人体关键点检测的有效网络结构、三种有效的训练策略和四种有用的后处理技术，通过积极利用丰富的非标记数据和上下文信息来提高检测准确性，从各个方面解决了由于遮挡、模糊、光照和尺度差异等因素所导致的挑战性问题，并在 MS COC - 学习语义神经树用于人体解析
本文介绍了一种基于分层语义分割任务的人体解析方法，其使用设计的分级树结构来编码人体生理结构，并在一组内联的过程中生成准确的结果。实验结果表明该方法具有较高的准确性和可行性。
- ICML连续时间中的事件异常检测
本文提出了基于贝叶斯决策理论和假设检验的方法来探测连续时间事件序列中的异常值，包括意外事件缺失和出现，其中该方法可以考虑上下文信息。实验结果表明该方法的有效性。
- ICCV渐进式上下文精炼的人体关键点检测
本文提出了一种称为 PCR 的新方法，通过多任务学习和利用上下文信息来提高人体关键点检测的性能，并通过利用未标记的 coco 数据集和外部数据集来实现难例推理的最大化潜能。实验结果表明，PCR 模型优于代表最先进的模型，并在 COCO 关键