- HANet: 一种基于双时相高分辨率遥感图像的分层注意力网络用于变化检测
通过深度学习技术的发展，本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题，并设计了一种层次化注意力网络（HANet），以提高检测性能。
- 神经手：一种弱监督的层次化关注网络用于神经影像异常检测
在临床医院环境中，使用磁共振成像（MRI）扫描，我们提出了一种基于分层注意力网络的异常检测方法。这种分层方法提高了分类精度，同时通过粗糙的切片异常定位或不同切片和序列的重要性评分来解释模型的结果，使其适用于放射科部门的自动分诊系统。
- 3HAN: 一种用于假新闻检测的深度神经网络
我们使用基于深度学习的自动检测器，通过三层分层注意网络（3HAN）快速、准确地检测假新闻。通过实验证明，3HAN 具有 96.77% 的精确度，并提供可视化的热图帮助进一步手动事实检查。
- 为少样本知识图谱补全学习关系特定表示
本文提出了一种关系特定的上下文学习框架，通过提取图上的上下文信息和设计分层注意力网络和注意力池化器，可以全局和局部地学习表示来进行 FKGC 任务，实验结果证明了其优于现有的方法。
- 使用话语协调特征和分层注意力文本嵌入的多模式抑郁症分类
使用从语音识别工具中提取的语音道变量和文本转录中的发音协调特征开发了一种多模式抑郁症分类系统，并使用分段分类器和多级卷积递归神经网络获得了性能提升，同时还通过结合会话级音频模型和 HAN 文本模型开发了一种多模态系统。
- 基于分层注意力文本编码器和 SciBERT 的本地引文推荐重新排序
通过使用最近邻搜索和层次化注意网络构建文本嵌入来预测相关的引用文献，并使用 SciBERT reranker 在本地引文推荐任务中进行微调，我们的 reranker 需要更少的预取候选项即可达到最先进的性能。
- 利用混合式深度学习模型在社交媒体上使用多模态进行可解释的抑郁症检测
本文介绍了解决模型预测不透明性的方法，提出了一种利用多模态特征和分层注意力网络的模型，可以检测社交媒体上的抑郁症患者并解释模型预测，该模型在检测具有挑战性的公共社交媒体数据集上取得了显著优势。
- EMNLP基于社交媒体的深度学习方法在精神健康预测中的应用
通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能，并通过检查模型的单词级注意权重分析分类相 - 文档理解的双向上下文感知分层注意力网络
本文提出了几种改进 Hierarchical Attention Network (HAN) 的方法，在一些大规模情感和主题分类数据集上证明了使用双向的 CAHAN 会比 HAN 更有效，代码公开。
- HATS：用于股票走势预测的分层图注意力网络
本论文提出了一种基于图结构数据的股票市场预测方法，即分层注意力网络（HATS），该方法通过选择性地聚合不同类型的关系信息，将其添加到其每个公司的表示中，并用于预测个股价格和市场指数的走向。
- 阅读理解和问答的多粒度层次注意力融合网络
本文提出了一种新颖的分层注意力网络，用于阅读理解式问题回答，在问题和段落之间的不同粒度层次上水平和垂直进行注意力和融合。通过具有精细语言嵌入的问题和段落的编码，引入多粒度融合方法来全面融合来自全局和受关注表示的信息。最后，引入分层注意力网络 - 基于分层注意力网络的在线论坛讨论摘要提取
本研究首次尝试使用分层注意力网络进行论坛帖子的总结，并使用神经注意力机制创建句子和主题表示形式，其结果表明，采用冗余剔除的方法能够提高论坛帖子总结的效果。
- AAAI基于视频的手语识别，无需时间分割
该研究提出了一种用 Hierarchical Attention Network 和 Latent Space 实现连续手语识别的新型框架，该方法无需时间分割预处理、可以缩小语义差距，并在实验中得到了验证。
- 使用分层注意力网络实现基于歌词的音乐流派分类
本文使用循环神经网络模型对大规模的歌曲歌词数据集进行音乐流派分类，并在此基础上利用分层注意力网络（HAN）实现在不同层级的特征学习以分类音乐流派，该方法不仅在准确率上超过了先前的研究成果，而且还提供了洞察在语言特征和词汇结构方面不同的音乐流 - 视频动作识别的分层注意力网络
本文提出 Hierarchical Attention Network（HAN）用于实现复杂的人类行为理解。该模型可以同时融合视频的静态空间信息，短期运动信息和长期视频时间结构，并利用多步骤空间时间关注机制来自动学习视频帧中的重要区域和时间