- MMFusion:食管癌淋巴结转移诊断的多模态扩散模型
介绍了一种基于 CT 图像以及临床测量和放射学数据的多模式异质图条件特征引导扩散模型,用于淋巴结转移诊断。通过构建异质图和应用条件特征引导扩散方法来消除信息冗余,并提出了一种掩蔽关系表示学习策略,旨在揭示原发肿瘤和淋巴结图像表示的潜在预后相 - 对抗鲁棒的基于图的 WSI 学习
应对医学影像中的对抗性挑战,我们提出了一种基于深度学习模型和图像处理的方法,通过利用整个切片图像的图像和图形级特征提取,加上去噪和汇聚层来提高癌症诊断准确性。在对比分析中,结果显示该方法显著提高了癌症诊断准确性,凸显了其在处理对抗性挑战中的 - LOSS-GAT:标签传播和单类半监督图注意力网络用于假新闻检测
本研究采用基于图的模型的半监督和单类别方法 LOSS-GAT,利用标签传播算法检测假新闻,并在实验证明其优于传统的二分类模型。
- D-STGCNT: 基于 Transformer 的稠密时空图卷积 GRU 网络用于患者体能康复评估
本研究使用一种新的基于图的模型,即使用密集时空图卷积 GRU 网络与 Transformer 相结合的模型,对没有临床医生监督下进行的物理康复训练进行自动评估,以提供质量评分确保正确执行并达到期望的效果。在 KIMORE 和 UI-PRMD - ECQED:对话情感 - 原因四元组提取
本文提出了 Emotion-Cause Quadruple Extraction in Dialogs (ECQED) 任务,旨在检测情感 - 原因话语对和情感与原因类型。我们提出了一种基于结构和语义异构图及并行网格标记方案的 ECQED - MAGNet: 基于形状的无模体生成分子技术
本文介绍了一种名为 MAGNet 的基于图的机器学习模型,可用于生成具有多样性分子结构的候选药物,该方法通过生成抽象几何形状再分配原子和键类型来实现。
- GVdoc:基于图形的视觉文档分类
GVdoc 是一种基于图的文件分类模型,通过生成文档图并使用图神经网络学习节点和图嵌入,在保持良好性能的同时,比同类模型更好地解决了处理识别图形文档的挑战,能够在识别数据稀疏的情况下表现出色。
- PDF-VQA:一个新的 PDF 文档实际应用 VQA 数据集
本研究提出了一种基于文档的视觉问答模型,并通过新开发的 PDF-VQA 数据集综合考察了文档理解的不同方面,包括文档元素识别、文档结构理解以及上下文理解和关键信息提取,在模型中明确地将文档元素之间的空间和层级结构关系整合起来,以此增强文档结 - 基于多任务图表示的罕见健康记录药物耐药性分析
采用基于图的模型从医疗事件中提取信息特征,可预测药物耐药性并自动进行类似实验室级别的药物推荐。
- GMSS: 面向 EEG 情感识别的基于图的多任务自监督学习
本文提出了基于多任务自监督学习的图形模型 (GMSS) 来进行 EEG 情感识别,该模型可以从多个自监督任务中学习出更通用的表示形式,包括空间和频率拼图任务以及对比学习任务,该模型在多项数据集上的表现均优于其他无监督和有监督的方法。
- 基于图形多跳推理的共情响应生成:情感因果
该研究旨在解决现有研究仅关注用户情绪,而忽略情绪产生原因的问题,提出了一种基于图的多跳推理模型来建模共情对话的情感因果关系,并在 EMPATHETICDIALOGUES 上与几种竞争模型进行了比较实验,验证了该模型的有效性。
- EMNLP使用文本事实结构进行神经网络深度伪造检测
通过基于图的模型,利用文本实体图对文档的事实结构进行表示,进而使用图神经网络学习句子表示并将其组合成文档表示,以便识别机器生成文本和人工撰写文本之间的差异。实验结果表明,该方法显著提高了基于 RoBERTa 构建的强基线模型的性能,并可以在 - IJCAI不确定性感知的少样本图像分类
本文提出了一种不确定性感知的 few-shot 图像分类框架,通过模拟查询和支持样本之间相似度不确定性,提高了模型对有限样本的优化能力,并在基准模型的基础上显著提升了模型性能。
- SIGIR应用图神经网络于欺诈检测中的一致性问题缓解
本文提出了一个新的 GNN 框架 GraphConsis, 以解决在线欺诈检测中的不一致性问题 (包括上下文、特征和关系不一致性),并在四个数据集上进行实证分析,证明了 GraphConsis 的有效性。
- PM2.5-GNN: 领域知识增强的图神经网络用于 PM2.5 预测
本文提出一种基于图的 PM2.5-GNN 模型来预测 PM2.5 浓度,能够捕捉 PM2.5 过程中的细粒度和长期影响,并已在真实数据集上得到验证,可提供免费预测服务。
- ACL联合中文分词和依存句法分析的基于图的模型
本文提出了一种基于图形的模型来集成中文分词和依赖分析,相较于之前基于转移的联合模型,我们的模型更简洁,从而在中文分词和依赖分析方面取得了更好的性能,并且当结合 BERT 时,我们的模型可以显著减少联合模型和基于黄金分割词的模型之间的性能差距 - 一种博弈论方法解决词义消歧
本文提出了一种基于演化博弈论的词义消歧模型,用于解决语义学中的词义消歧问题,该模型通过构建一个基于图的模型,通过博弈理论的方法来维持文本的连贯性和一致性,结果表明该方法优于现有算法并可用于不同的任务和场景。