- DEPTWEET：一种用于检测抑郁症程度的社交媒体文本类型学
该研究使用临床抑郁症诊断和病史调查评估相关指标，构建用于检测抑郁症严重程度的社交媒体文本的分类，提出了基于专家注释数据的新数据集并利用注意力模型（例如 BERT 和 DistilBERT）取得了良好的效果，揭示了研究的局限性和进一步研究的方 - 多任务选项学习与发现在随机路径规划中的应用
应用强化学习模式下，通过数据驱动方法生成抽象状态，计算有效的选项和高级实现路径，从而获得可执行和可解决性的强大保证。
- KDDRetroGraph：基于图搜索的反合成规划
提出了一种基于图形搜索的策略，消除了中间分子的冗余探索，并采用图神经网络引导搜索。同时，我们的方法可以同时搜索一批目标，并使用基于树的搜索方法删除树间重复。在两个数据集上的实验结果表明了我们方法的有效性。特别是在广泛使用的 USPTO 基准 - MM基于多目标物理引导循环神经网络的非自治动态系统识别
本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.
- 面向物理信息的神经算子用于偏微分方程学习
本文提出物理信息神经操作器（PINO），该方法使用现有的数据和物理约束条件来学习参数化偏微分方程（PDE）族的解算器，通过结合数据和 PDE 约束条件，PINO 成功地实现了高分辨率实例的准确性和泛化能力。
- 学习中基于决策相关分布的吸引区近似
通过研究表征分类器对基础数据分布的影响的具有宏观性质的 映射方法，进一步分析重复风险最小化的扰动轨迹，提出了性能对准的概念，从而提供了关于收敛性的几何条件。
- iToF2dToF：一种鲁棒且灵活的数据驱动时飞行成像表示方法
本文探讨了间接飞行时间（iToF）相机等深度感知技术，提出一种名为 iToF2dToF 的方法，通过插值 / 外推 iToF 频率来估计瞬态图像，并演示其在实际深度感知场景中的优势。
- 使用对抗网络进行图像合成：一份综述和案例研究
综述文章介绍了生成对抗网络 (GANs) 在图像合成领域的各种应用，包括图像到图像的转换、融合图像生成、标签到图像映射和文本到图像生成，并总结了基于模型、特定于架构、约束、损失函数、评估度量和培训数据集开发思路等各种领域进展和具体实现，并提 - 社交媒体数据在精神健康研究中的应用现状
本论文分析了社交媒体数据对于进行心理健康研究的现状，并引入了一个基于标准化模式的开源心理健康数据集目录，以促进元分析。
- 从深度学习角度对人群中的行人轨迹进行预测
本文研究基于深度学习和数据驱动方法来预测人类轨迹和建模社交交互的性能，同时提出了大规模基于交互的 TrajNet++ 基准，并在真实和合成数据集上进行了实验，验证了文中方法的可靠性。
- 稀疏噪声数据下参数偏微分方程的深度学习
本文提出了一种新的框架，将神经网络、遗传算法和自适应方法相结合，应用于从稀疏噪声数据，不完整的备选库和空间或时间变化系数中发现偏微分方程。该方法在 Burgers 方程，对流扩散方程，波动方程和 KdV 方程上进行了测试，结果表明该方法对噪 - COVID-19 文献中的自动文本证据挖掘
本文介绍了一种基于数据驱动方法的自动文本证据挖掘系统 EVIDENCEMINER，用于 COVID-19 文献，可以查询自然语言语句并自动从生命科学的背景文献中检索文本证据，并具有快速检索、在线读取、高亮显示和分析等功能。
- ACL自然语言处理为何有益于法律系统：法律人工智能综述
本文介绍了 Legal Artificial Intelligence 的历史，现状和未来方向，并从法律专业人员和自然语言处理研究人员的角度说明了任务，展示了几个代表性的应用程序，在现有工作的优缺点方面进行了深入的分析，探索了可能的未来方向 - 用于上下文理解的神经符号结构
本论文提出了一种基于神经符号学的混合人工智能方法，以结合数据驱动和知识驱动的优点，并将其应用于两个案例中达到可解释性的同时实现了与最先进技术相当的性能。
- 端到端有损图像压缩学习：一个基准
该论文对学习图像压缩方法进行了全面的文献综述，并提出了一种基于粗到细超先验模型的熵估计和信号重建方法，以提高图像压缩的效率和性能。
- 媒体取证和 DeepFakes：概述
本综述分析了视觉媒体完整性验证的方法，着重于探讨深度伪造现象和现代数据驱动的法医分析方法，以揭示现有取证工具的限制、相关问题、挑战和未来研究方向。
- 单幅图像去雨：从基于模型到数据驱动及其更进一步
该论文综述了过去十年单张图像去雨的多种方法，分类总结了基于模型和基于数据驱动两种类型的方法，总结了雨的外观模型、性能比较和技术特点，并探讨了未来发展方向。
- CVPR基于光度学的网格优化技术，用于视频对齐的三维物体重建
本论文研究了从 RGB 视频中重建三维物体网格的方法，结合多视角几何和数据驱动方法来优化物体网格以适应多视角光度一致性，并通过形状先验来约束网格变形。作者采用逐片图像对齐的形式，通过光度误差更新形状参数，无需深度或掩膜信息。此外，作者还展示 - 使用贝叶斯深度神经网络量化雷诺平均湍流模型的形式不确定性
本文介绍了一种新颖的数据驱动框架，使用不变的贝叶斯深度神经网络以及蒙特卡罗方法对流体量，比如速度和压力提供概率边界，并且在两个测试用例中进行结果呈现。该框架不仅可以提高 RANS 计算预测结果的准确性，而且还允许在没有高保真度观察或先验知识 - 利用远程监督神经网络提取科学图表
本文介绍了一种通过大规模科学文档数据集训练，实现无人干预的科学图表自动提取的方法，并获得了高精度模型以及数据集，成功用于 13 百万学术文献的提取。