- 时空强化网络用于视频目标分割
最近，视频对象分割（VOS）网络通常使用基于记忆的方法：对于每个查询帧，通过空间 - 时间匹配预测掩码以与记忆帧相匹配。尽管这些方法具有卓越的性能，但存在两个问题：1）具有挑战性的数据可以破坏相邻视频帧之间的空间 - 时间一致性。2）像素级 - 原始对偶连续学习：通过拉格朗日乘子实现稳定性和可塑性
持续学习是一种受限制的学习问题，该研究通过利用记忆方法、拉格朗日对偶性和次优性界限来直 接解决这个问题，并在不同的持续学习基准测试中实验证实了理论结果。
- 基于记忆增强的 LLM 个性化学习，短期和长期记忆协调
通过使用参数高效的微调模式和计算仿生记忆机制，我们提出了一种新颖的个人化大语言模型方法，该方法在用户导向的生成任务中展示了卓越的效果和优越性能。
- MEMORY-VQ：可操作的互联网规模内存的压缩
提出了 MEMORY-VQ 方法，通过使用向量量化变分自编码器 (VQ-VAE) 来压缩令牌表示，从而减少记忆增强模型的存储要求，应用于 LUMEN 模型中获得 LUMEN-VQ，一个具有相当性能的记忆模型，可在大型检索语料库中实现实用的检 - ICCV在线行动理解的记忆与预测变换器
该论文提出了一种基于记忆和预测的方法来建模整个时间结构，包括过去、现在和未来，并通过 Memory-and-Anticipation Transformer 在在线动作检测和预测任务中取得显著的性能优势。
- 研究记忆驱动方法在连续学习中的泛化性能
本研究针对 Continual Learning 目的，介绍基于记忆方法存储先前数据分布以避免完全知识覆盖，在传统分布泛化时表现良好，但在控制实验中发现能学习虚假特征和相关性，从而严重影响了越界泛化，主要是出现在线性分类器中。
- AdaNPC: 探索用于测试时间适应的非参数分类器
本文提出了一种利用非参数分类器实现测试时自适应的方法（AdaNPC），该方法使用具有培训域中特征和标签对的存储器，以动态地适应不同领域的测试集。该方法通过本文进行的广泛数值实验比其他有竞争力的基线方法表现更好。
- ACL连续关系抽取的一致表示学习
研究了连续关系抽取中存在的历史信息遗忘问题，提出了一种基于对比学习和知识蒸馏的持续关系表示学习方法，能够有效地避免历史信息遗忘，并在 FewRel 和 TACRED 数据集上进行了大量实验，相比于现有基线算法，提出的方法表现更具鲁棒性。
- SIGIR清晰相似性以提升基于内存的推荐系统
分析了基于记忆的协同过滤方法中的相似性估算器的谱特性，说明 Pearson 和 cosine 相似性估算器中存在的噪声和特征值扩散问题，提出了一种简单的重新缩放和噪声清理方案，使基于记忆的方法表现更好。