- 基于深度表示学习的医学重症监护病房急性呼吸衰竭动态轨迹表型研究
通过深度表示学习的方法，该研究揭示了散发性与急性呼吸衰竭的临床轨迹的不同群体，并对不同的死亡率和严重程度进行了特征化，这将为有效的预后和个体化的治疗策略提供重要的临床见解。
- 连续治疗效果估计的对抗平衡表示
通过对抗对照回归网络（ACFR）以 KL 散度为度量标准对数据集进行平衡，利用注意机制保持治疗价值对结果预测的影响，理论上证明 ACFR 的目标函数是反事实结果预测误差的上界，并在半合成数据集上实验评估中证明了 ACFR 相对于一系列其他最 - DA-TransUNet：利用 Transformer U-Net 集成空间和通道双重注意力进行医学图像分割
本研究提出了一种名为 DA-TransUNet 的新型深度医学图像分割框架，将 Transformer 和双注意力块引入传统 U 形架构的编码器和解码器中，通过注意力机制和多方面特征提取来增强医学图像分割，并通过实验结果证明 DA-Tran - 通过辅助可学习目标编码改善深度表示学习
这篇论文介绍了一种新的可学习目标编码方法作为深度表征学习的辅助正则化，该方法能够增加表征空间中的类间间隔，以及同时保持学习目标编码的语义一致性，从而提高不平衡数据下的表征学习性能。
- 计算机视觉中的双曲深度学习：一项调查
本文介绍超几何学习在计算机视觉中的应用，并提出了三个主要的研究主题，包括超几何学习的实现、已有研究中的关键问题以及相关领域的未来方向。
- 绿色数据中心可持续发展的全面自动化扩展
提出了一种名为 Full Scaling Automation (FSA) 的机制，该机制利用深度表征学习来动态适应大型云计算集群中的工作负载，实现数据中心集群保持所需的 CPU 利用率目标的同时提高能源效率，并且在 2022 年 “双 1 - MILD: 多模态交互潜在动力学用于学习人机交互
本文提出了一种名为 MILD 的多模态交互潜在动力学方法，将深度学习和概率机器学习结合起来，用于学习人与机器人之间的互动动力学，并在人 - 人互动的演示中进行了实验验证，该方法比相关研究生成更准确的机器人轨迹，还能够直接从基于摄像头的姿势估 - ICLR基于特征一致性预测的预测推断
本文提出了基于特征空间的符合性预测方法，利用深度学习的归纳偏差将该方法扩展到语义特征空间，从理论上证明其在温和假设下优于传统方法，并且结合不仅限于普通的符合性预测算法，还可以与其他自适应符合性预测方法结合，从现有的预测推断 benchmar - ECCVUFO：统一特征优化
该论文提出了一种新的统一特征优化（UFO）模型，结合多任务学习、网络架构搜索等方法，极大方便模型的灵活部署，在保持大规模预训练精度的基础上，实现了模型体积缩小和预测精度提高。
- 变换编码：等变表示的简单目标
通过简单的目标函数实现深度表示学习的同变深度嵌入，使用不同 Lie 群的变换编码目标实现表示的分解和解缠缠绕，并应用于各种下游任务，包括强化学习。
- 基于失败测试用例的相似度预测补丁的正确性
利用未监督学习的深度表示学习模型来预测 APR 中补丁的正确性，通过历史类似测试用例的补丁和失败测试用例的相似度指标来评估生成补丁的正确性，并与现有方法进行比较。
- 双曲深度神经网络：一份调查
本文介绍了超半径神经网络的模型以及各个组成部分，探究了其在超几何空间的深度学习方法、机器学习任务上的应用，提出了未来研究方向。
- 具有深度表示和浅层探索的神经背景医师
本研究提出了一种基于深度表示学习和 UCB 方法的上下文感知强化学习算法，可以通过最后一层线性层进行探索以达到最小化后悔的效果，在计算效率方面比现有神经上下文感知强化学习算法更具优势。
- EMNLP基于能量的推断网络在任意阶序列标注中的探索
本论文提出了几个高阶能量项来捕捉序列标记中标签之间的复杂依赖关系，并使用卷积、循环和自我注意网络的神经参数化来处理该方法。我们在学习基于能量的推理网络框架中使用此方法，在四个序列标记任务上实现了高性能，同时具有与简单的本地分类器相同的解码速 - 度量学习和分类在解耦音乐表示学习中的比较
该研究提出了一个单一表征学习框架，该框架阐明了度量学习、分类和去缠结化之间的关系，提高了音乐信息检索的性能。通过评估四项任务，我们发现针对训练时间、相似度检索和自动标记，基于分类的模型通常更具优势，而深度度量学习对于三元组预测的性能表现更好 - ICLR最小化 FLOPs 来学习高效稀疏表示
提出了一种基于正则化函数的方法，学习高维稀疏表示，以在视觉检索中提高效率，其表现与其他基线方法相竞争，且在实际数据集中具有类似或更好的速度精度平衡。
- ICLR梯度作为深度表示学习中的特征
本文提出基于梯度的特征及使用线性模型将梯度与预训练网络的激活函数相结合用于深度表示学习，从而实现预训练网络对不同任务的高效适应，通过实验验证了该算法在不同网络结构下，在多个数据集的各种表征学习任务上获得了强大的结果并与理论分析相符。
- IJCAI通过联合建模多元关系结构演化进行时间属性预测
本文提出了一個新的框架 DArtNet，它利用了動態知識圖中的信息進行時間序列預測，經實驗證明可以提高預測準確率。
- ICML通过 Fréchet Mean 进行微分
本文介绍如何在任意的 Riemann 流形中微分 Fréchet 平均值，并提出了一种快速，准确且无超参数的求解器，将 Fréchet 平均值完全集成到双曲神经网络中，并展示了两个案例：一个是将 Fréchet 平均值用于 Hyperbol - ACL科学话语标注以实现证据提取
通过从全文中提取文本片段，利用以生物医学为域的语料预训练的深度表征学习探讨科学论述结构的分析和证据片段的提取，以提高科学主张的质量。