- ACL跨领域方面情感分析的双向生成框架
本文提出了一个统一的双向生成框架,基于生成模型,通过域自适应和数据增强来解决跨领域细粒度情感分析问题,并在四个跨领域情感分析任务上达到了最新的最佳结果。
- GPT4Rec: 面向个性化推荐和用户兴趣解析的生成式框架
本文介绍了 GPT4Rec,一种基于生成模型和搜索引擎的新型灵活推荐系统,它通过多查询生成技术和基于 BM25 的搜索引擎来更好地捕获用户兴趣,提高推荐的相关性和多样性。
- CVPRFaceLit: 神经网络 3D 可调光面部
提出了一种生成框架 FaceLit,可从 2D 图像中学习纯 3D 面部形状和材质,并在各种用户定义的照明和视图条件下呈现,产生具有多视角和照明一致性的逼真人脸图像。
- EMNLP知识图谱增强的生成式实体对实体立场检测
本文引入了一项新的任务,即实体之间(E2E)的立场检测,旨在于能够在研究相互作用时识别实体及其立场;通过引入一种新的生成框架,强化模型,以及进一步引入图编码器来概括实体活动以及周围的外部知识,我们实验后得出在 E2E 立场检测方面,相对较强 - 烹饪的生成语法
通过研究结构化菜谱的广泛存储库,我们识别出了共同的概念和规则,共同构成了一种烹饪综合系统的组合系统,提出了一种烹饪生成语法,为烹饪行为提供深刻的洞见,并提供了营养干预的杠杆。
- 基于生成模型的自然语言推理解释的交互式可解释人工智能框架
INTERACTION 是一个生成性 XAI 框架,提供两个步骤的术语解释生成方法,具有 better performance 和多样性。
- 黑盒优化的生成式预训练
BONET 是一个使用离线数据集为基础,训练一个新的黑盒优化器的生成框架,采用单调转移启发式策略,实现从低保真度到高保真度的采样,在 Design-Bench 中的实验结果显示,BONET 使用一个因果掩码转换器的实例,在平均排名上表现最佳 - InstructionNER: 一个多任务基于指令的生成框架,用于少样本 NER
本文提出了一种基于多任务指令的生成式框架 InstructionNER,用于低资源的命名实体识别。实验结果表明,我们的方法在少样本任务中始终优于其他基线模型。
- 隐私保护生成框架对抗成员推断攻击
本文提出了一种隐私保护的生成模型,通过变分自编码器 (VAE) 的信息提取和数据生成能力,生成符合差分隐私要求的合成数据来防御成员推理攻击,并进行了实验验证。
- 通过部件感知生成编辑隐式形状的 SPAGHETTI
介绍了一种名为 SPAGHETTI 的隐式形状编辑方法,通过将形状部分表征分为内在和外在几何信息,以及生成具有部分级别控制能力的框架,使得可以通过转换、插值和组合形状段来对隐式形状进行操作,并使用交互式图形界面演示了 SPAGHETTI 的 - DiffuseVAE: 从低维潜变量中高效、可控、高保真生成
提出了一种新的生成框架 DiffuseVAE,它将 VAE 与扩散建模框架相结合,为扩散模型提供了低维的 VAE 学习到的潜在代码,从而能够用于控制合成等下游任务,并且在速度与质量的平衡方面比标准无条件 DDPM / DDIM 模型要好,同 - EMNLP基于实体的文档级信息提取作为模板生成
本文提出了一种基于生成式框架的文档级实体提取方法,该方法能够高效地捕获跨多实体的相关信息,使用了一种名为 TopK Copy 的交叉注意力引导复制机制,实验结果表明此方法达到了科技论文数据集上的新的最优结果。
- 领域印象:一种无需源数据的领域自适应方法
该论文提出了一种无需源数据的领域自适应技术,其基于生成式框架,使用来自源类的分类器生成样本,并使用神经能量网络训练联合分布,在此极为新颖的场景中取得了比基准模型更好的结果。
- ICLR具有保证稳定性的物理感知、概率模型降阶
提出了一种基于生成模型的动力学系统简化方法,该方法能够实现高维、多尺度动态系统的降维,并在粒子动力学多尺度物理系统中进行有效预测。
- 在 3D 场景中合成长期的 3D 人体动作和互动
本文提出一种层次生成框架,通过优化多个几何约束和建模场景互动和应用来合成涉及长期 3D 人体动作的逼真生成,并在实验中得出了比之前更好的实验结果。
- WSDM基于层次元数据感知的弱监督文档分类
本研究介绍了 HiMeCat,一种基于嵌入式生成框架的弱监督文档分类方法,它能够有效地整合文本、元数据和标签层次结构,并通过数据增强和联合表示学习模块进一步优化分类效果。
- EMNLP增强式自然语言用于生成式序列标记
该研究提出了一种生成式框架,用于多个序列标记任务和句子级分类。与以往的判别式方法不同,该模型通过共享自然语言输出空间,自然地融合标签语义,并在任务之间共享知识。该框架具有通用性,可在 few-shot、低资源和高资源任务上表现良好,并在命名 - 学会碰撞:一种自适应的安全关键场景生成方法
本文提出了一种基于自动生成的安全关键场景进行自动驾驶算法测试的基于生成模型的架构,并进行了针对几个不同场景的实验以证明其效率优于网格搜索或人工设计方法,并且适应性强。
- AAAI少样本学习的多样性迁移网络
提出了一种基于多样性转移网络(DTN)的生成框架,该框架可以将已知类别中的潜在多样性转移并与支持特征组合,以在特征空间中为新类别生成多样化的样本。该框架通过单阶段网络中的有效元分类损失来解决样本生成(即多样性转移)的学习问题,并提出了一个有 - 基于图的半监督学习的灵活生成性框架
本文提出了一个基于图结构的半监督学习的生成框架,通过逼近节点特征,标签和图结构的联合分布,使用可扩展的变分推断技术来推断缺失的标签,并在基准数据集上进行了全面的实验,结果表明该方法在大多数设置中优于现有的最先进模型。