- SR-OOD: 通过样本修复进行离群分布检测
本文提出了一种新的 OOD 检测框架 SR-OOD，该框架利用样本修复技术，使生成模型关注语义信息，从而提高了 OOD 检测性能，实验结果表明了该方法的竞争力。
- KDD基于图的模型无关数据子采样算法在推荐系统中的应用
通过研究用户 - 项目图的拓扑结构，利用图电导估计每个用户 - 项目交互的重要性并进行网路传播，避免了模型误设（misspecified）对模型基础数据子采样方法的恶化，该方法在 KuaiRec 和 MIND 数据集上的实验结果证明了其相对 - 有偏差 SGD 指南
本文分析了带偏估计器的随机梯度下降（BiasedSGD）算法在凸和非凸环境下的效果并比较了带偏估计器和无偏估计器的优缺点，同时提出了一组新的比以往任何假设更弱的假设，并通过实验结果验证了理论发现。
- 对比集合操纵稳定的多重比较基准评估方法
本文章介绍了一个新的基于配对比较的方法来呈现基准测试的结果，并排除了现有方法中对实验结果进行意外或有意动态的可能性。
- IJCAI双语义感知循环全局自适应网络：用于视觉和语言导航
该论文提出了一种双语义感知递归全局自适应网络（DSRG），包括指导语言模块和外貌 - 语义视觉模块，用于视觉和语言语义学习，以及全球自适应聚合模块和递归记忆融合模块，用于对全景观测进行显式内存融合。 虽然在 R2R 和 REVERIE 数据 - 增强人体运动预测的神经符号化方法
本研究提出了一种新的神经符号方法（NeuroSyM）来推进人类动作预测领域，通过利用定性轨迹演算法（QTC）来在邻域中加权不同交互，并在中长期时间范围内使用两种最先进的架构进行实验测试。实验结果表明，在大多数情况下，NeuroSyM 方法在 - 联邦组合深度 AUC 最大化
本研究提出了一种针对非平衡数据的联邦学习方法，通过直接优化曲线下面积（AUC）分数，采用分解最小最大优化问题和随机梯度下降优化算法，以及提供算法的计算和通信复杂性界限，达到了有效性的实验结果。
- 基于图拉普拉斯金字塔网络的缺失数据插值
本文从 Dirichlet 能量的角度分析了 “草稿 - 细化” 方法，提出了一种名为 Graph Laplacian Pyramid Network 的新型架构方法，并在多个真实数据集上进行了广泛的实验，表现出优越的性能。
- 生成面向查询的摘要，无需微调基于 Transformer 的预训练模型
本文中，我们使用了 Marginal Maximum Relevance 技术，并针对新的数据集不使用 fine-tuning 步骤来自动生成摘要，实验结果表明，我们的方法可以直接从新的数据集中提取最相关的句子来生成摘要，并且展现出比单个预 - 无监督抽取式摘要中句子相似度估计的改进
研究了两种新策略以提高自动抽取摘要的句子相似度估计，其中对比学习优化了文本级目标，同时使用互相学习增强句子相似度估计与句子重要性排名之间的关系。实验结果显示了策略的有效性。
- 数据中心机器学习的重新标记方法
本文介绍了一种简单的方法，通过使用模型的预测结果，找到并重新标记噪声数据，以解决部分手动标记数据质量不高的问题，并在多项深度学习任务中取得 90 分以上的成绩。实验结果和人类评价结果验证了该方法的有效性。
- 基于细粒度语义信息的远程监督关系抽取方法
本文聚焦于关系抽取，提出假设：句子中关键语义信息对实体关系抽取起着关键作用，通过内部注意机制提取句子内细粒度的语义特征，证明该关系抽取模型比已有方法具有更优的准确率和召回率。
- 扩散模型是否容易受到成员推断攻击的威胁？
本文研究了基于扩散的生成模型对成员隐私的攻击风险，提出了一种新的黑盒成员隐私攻击方法 SecMI，并通过对标准扩散模型和文本 - 图像扩散模型等不同数据的实验结果展示其高准确性。
- AAAI使用翻译记忆推进神经机器翻译
本文介绍了一种将翻译记忆集成到神经机器翻译系统中的简单有效方法，并在多个数据集上获得实验性能显著优于强基线模型的结果。
- 面向开放域问答的自我提示大语言模型
本文提出了一种基于大型语言模型的自我点拨框架 (Self-Prompting framework)，使得在开放域下的问答任务 (Open-Domain Question Answering) 可以在不需要训练数据和外部知识库的情况下实现，采 - MultiWOZ 数据集的数据流实现
本文介绍了使用数据流范式来进行对话建模，采用计算图层次表示用户请求，数据和对话历史，对多轮人机对话数据集 MultiWOZ 进行了多种格式转换的实验，并给出了实验结果。
- 交通预测模型的置信度测量：技术、实验比较和操作性指南
本文探讨了不同的不确定性评估技术和指标在交通预测模型中的适用性，并利用马德里（西班牙）收集的实际交通数据进行了实证研究，以提高交通管理实践中的行动性、可行性和可信度。
- OpenAUC: 面向 AUC 导向的开放集识别
本文对开放集识别任务中现有度量方法进行系统分析，并提出了一种新的度量方法 OpenAUC，旨在解决现有方法的不一致性问题。最终，本文提出了一种基于端到端学习的方法，通过最小化 OpenAUC 风险来实施开放集识别。实验结果表明，该方法具有良 - 深度神经网络中攻击领域外不确定性估计
本文研究了基于深度神经网络的不确定性估计算法的鲁棒性，并提出了一种敌对攻击方法，证明了这些算法对于出域数据的不确定性估计容易受到攻击。在各种基准图像数据集上进行的大量实验结果表明，最先进方法所估计的不确定性很容易被我们的攻击所破坏。
- 医学图像分割的深度学习：技巧、挑战和未来方向
通过实验探索介绍了医学图像分割中实现的技巧与相应的 phase（模型预训练、数据预处理、数据增强、模型实现、模型推断和结果后处理），强调技巧对模型性能的影响并构建插拔式组件 MedISeg 仓库，提供全面而实用的医学图像处理指导并解决小数据