- 槽位状态空间模型
我们介绍了一种新颖的框架 SlotSSMs，用于在状态空间模型中引入独立机制以保持或促进信息的分离，评估表明我们的设计在多对象建模和长期时间依赖性的任务中显著提高了性能。
- RigLSTM: 循环独立网格 LSTM 用于可推广的序列学习
通过利用 Grid LSTM 的模块化结构，在实际中的顺序过程中，仅激活一部分细胞并选择相关输入进行通信后，通过考虑输入、上一时刻和当前时刻的隐藏状态之间的关联性来更新隐藏状态，从而实现对测试环境变化的优越泛化能力。
- 脑启发的脉冲神经网络的进化架构
通过自然进化形成的人脑复杂而独特的神经网络拓扑结构使其能够同时执行多个认知功能，本文通过引入模块化结构和全局互连性来进化脉冲神经网络的架构，同时提出一种高性能、高效能、低能耗的多目标进化算法，通过对静态数据集和神经形态数据集的广泛实验证明了 - 学习神经符号程序用于语言引导机器人操控
通过一种模块化结构，使用符号推理构造深度物体中心推理模型，从而训练出一种可以执行机器人操作的模型，此模型具有优秀的通用性和端到端的可训练性。
- ACL神经网络中组合性实现
本文详细比较了两种序列模型在试图解决合成任务时的差别，通过更多的监督信号，辅助注意机制，参数空间和隐藏层激活机制的不同，发现具有引导性的网络在识别更组合解决方案方面具有更高的效率，并且展现出更加模块化的神经元特点。
- 潜在翻译：通过连接生成模型跨越模态
本篇论文提出了一种基于先前训练的深度生成模型，利用潜变量空间进行无监督跨模态域迁移的新方法，并探索了通过学习一个后续接口来提高模块性的可能性。通过定量和定性的实验证明了该方法的有效性，证明了在迁移过程中局部性和语义对齐得到了保留，而且通过这 - CVPR适应性置信度平滑技术用于广义零样本学习
本文介绍了一种基于概率的方法，将分类器分为三个组件，其中包括一个门控模型、一个零样本学习专家和一个针对已知类别的专家模型，以实现广义零样本学习（GZSL）。我们的方法解决了几个主要问题，包括如何为未知类别提供精确的门控概率估计和如何在其领域 - 反事实推理揭示深度生成模型模块化结构
本研究提出了一种非统计框架，它使用反事实干预来揭示由解缠组成的网络的模块化结构，以便操纵潜在表示以执行有意义和可控的变换。通过在复杂图像数据集上训练各种生成模型进行实验，表明所获得的模块可用于设计目标干预，从而在风格转换和自动评估对环境变化 - 非参数加权随机块模型
本文提出了一种基于贝叶斯方法的加权随机块模型，可以用于推断加权网络的大规模模块结构，方法为无参数方法，使用数据来推断模型中的群组数量和其他维度，并提供了不同种类的边权（如连续或离散、有符号或无符号、有界或无界等）以及任意权重转换的综合处理。 - 无监督单通道重叠语音识别中的渐进联合建模
提出一种基于模块化结构、渐进式预训练、转移学习以及鉴别性训练标准的神经网络模型，相较于现有模型，该模型在解决无监督单通道重叠语音识别方面表现更为优秀，能够取得超过 30% 的远程词错误率相对改进。
- ACL为代码生成和语义解析设计的抽象语法网络
介绍了针对类似代码生成和语义解析等需要将非结构化（或部分结构化）输入映射到格式化可执行输出的抽象语法网络建模框架，并使用一个具有动态确定模块化结构的解码器构建输出，具有与输出树结构相一致的特性，在 Hearthstone 数据集上获取了 7 - 微正则随机块模型的非参数贝叶斯推断
本文提出了一种基于无参数贝叶斯方法的微正则随机块模型，旨在同时改善深入贝叶斯层次结构的推断以及模型选择能力，以推断网络的模块结构和层次组织，并介绍了一种高效的推理算法。
- 大型网络中的分层块结构和高分辨率模型选择
通过具备多重尺度的完全描述网络层次结构的嵌套概率模型，可避免现有方法的局限性，在更高的分辨率下检测模块化结构并确保不产生伪模块，且具有一般性和可扩展性，适用于大型网络的高效算法
- 带权网络中社群的出现
本文介绍了一个简单的网络模型，其中权重是动态生成的，并且塑造了演化的拓扑结构，通过调整控制权重重要性的模型参数，网络逐渐从无模块的拓扑结构转变为拥有社区的结构，该模型还能够重现许多大型社交网络的特征，包括 “弱联系” 属性。
- 揭示自然和社会的复杂网络重叠社区结构
本文介绍了一种分析交织在一起的重叠社区的方法，以揭示复杂网络的模块化结构。经过定义一组新的特征量进行统计分析，发现网络中的重叠显著，并揭示出网络的普遍特征。通过对合作，词汇关联和蛋白质相互作用图的研究表明，社区网络具有非平凡的相关性和特定的