- 结合监督学习与强化学习用于多标签分类任务中的部分标签
我们提出了基于强化学习的 RLAC 框架，通过结合强化学习的探索能力和监督学习的开发能力，解决了多标签正负样本学习问题，并在多个任务中进行实验证明了我们框架的泛化和有效性。
- Gram2Vec：一种可解释的文档向量化方法
介绍了 Gram2Vec，一种将文档嵌入到高维空间的语法风格嵌入算法。通过提取文本中存在的语法特征的标准化相对频率，Gram2Vec 提供了固有的可解释性。使用 Gram2Vec 向量的作者到文档的映射可视化，并演示了添加或删除特征以查看哪 - ACL自然语言处理教育中预神经网络方法的相关性
比较介绍了澳大利亚和印度两门自然语言处理（NLP）课程，并研究了 Transformer 和早期神经算法在课程的讲座计划和评估中的平衡。观察到早期神经算法对学生学习有益，帮助他们建立对 NLP 问题、潜在解决方案甚至基于 Transform - 超维空间下的无监督抽取式对话摘要
HyperSum 是一种提取式摘要框架，能够结合传统词汇摘要的效率和现代神经网络方法的准确性，通过利用在极高维度 (“维度祝福”) 上对向量进行随机初始化时出现的伪正交现象来构建具有代表性和高效的句子嵌入。通过简单地聚类所获取的嵌入并提取它 - CVPR稀疏视角，近光源：非标定点照明光度立体的实用范式
通过提出一种端到端的非标定多视点 PS 框架，以实现在真实环境中通过稀疏视点获取高分辨率形状的重建，摒弃了黑暗室的假设，并允许静态环境光和动态 LED 光的组合，从而实现了在实验室外轻松捕获数据，并通过实验证实，在稀疏视点情况下超越了现有的 - MESIA: 理解和利用方法级评论的补充性质进行自动评论生成
提出了一种新的度量方法 MESIA（Mean Supplementary Information Amount）来评估代码注释所能提供的补充信息的程度，通过在流行的代码注释数据集和三种常见类型的神经方法上进行实验，结果表明，有良好的训练数据 - NeuroCUT: 面向鲁棒图分割的神经方法
通过一种新框架，NeuroCut，结合了神经网络和强化学习，并具有对不可微分函数的优化能力，从而在图分区问题中表现出色，并在多种分区目标中展现出较强的泛化能力和拓扑鲁棒性。
- 面向协作的对话管理的神经时代：文献综述
基于对话的人工智能协作可以在协作问题解决、创造性探索和社交支持方面起到革命性作用。本调查从传统的手工制作和信息状态方法到 AI 规划启发的方法，回顾了协同对话系统中对话管理范式的演变。然后，将焦点转向当代的数据驱动对话管理技术，这些技术旨在 - SLaDe: 一个用于优化汇编代码的可移植小型语言模型反编译器
该论文提出了 SLaDe，一种基于序列到序列变换器的小语言模型反编译器，利用类型推断生成比标准分析和最近的神经方法更易读和准确的代码，相比最先进的市场反编译器 Ghidra 更精确，相对于 ChatGPT 大型语言模型具有更好的可读性。
- NIPSIGLU NLP 挑战解决方案：使用 World States 和文本指令何时以及如何提问
本文介绍了针对协作构建任务的智能建造代理的开发，旨在通过对话根据用户输入构建结构，并讨论了 NeurIPS 2022 竞赛的 NLP 任务中涉及的两个研究问题：代理何时应该请求澄清和应该提出什么澄清问题，并针对这两个问题进行了两个子任务，即 - 多阶段主动学习提高低资源问答能力
本文探讨了在数据稀缺的情况下，将数据增强和主动学习结合用于迁移学习任务的方法，同时研究了不同阶段的问题回答性能和人类标注的影响。实验表明，在引入人类标注的情况下，该方法可以实现在新的、专业领域中的低标注成本的问题回答系统。
- EMNLP面向任务导向对话系统的半监督知识驱动预训练
本文介绍了我们的 Track 2 模型，利用大规模真实世界的 MobileCS 中国 TOD 数据集，使用半监督学习和强化学习构建知识引导的对话模型，实现了任务导向对话系统的高效预测和人机交互。我们的系统在自动评估和人工交互中表现都极佳，尤 - ECCVRelPose：预测野外单个物体的概率性相对旋转
该论文提出基于能量分布的摄像机视角预测方法，该方法可以用于物体重建和视角合成等任务，并在稀疏图像情况下优于现有的 SfM 和 SLAM 方法，从而可以作为实现从多视角数据集中进行现场重建的基础。
- 开放域对话响应选择的系统评估
本研究对开源聊天机器人的多种回复生成方法进行了系统评估，提出了利用手动注释筛选出的多个正向回复和负向回复，从而提高模型效果的新训练数据，并实验证明性能较之采用对抗训练数据有更显著提升。
- 你跟得上我吗？”: 对话状态跟踪近期方法综述
对话状态跟踪是对话系统中的重要环节，虽然神经方法实现了显著的进展，但对话系统的一些关键方面，如可拓展性等仍未得到充分探索，本文提出了未来研究的几个方向。
- 模拟引导的神经组合优化梁搜索
通过引入模拟指导波束搜索（SGBS）和有效主动搜索（EAS）的组合，提高了神经组合优化的搜索效率。
- 低资源场景下的知识提取：调研与视角
该论文回顾和分类研究了在知识提取中的低资源情况中，利用高资源数据、更强模型、数据和模型相结合等三种方法进行的神经方法，并提出未来研究的方向和应用前景。
- 对话式信息检索的神经网络方法
介绍了近年来发展的神经网络方法在对话式信息检索系统中的应用，并聚焦于自然语言处理，多轮对话，以及以人为中心的交互。
- ACL探索面向查询的摘要的神经模型
本文系统地探讨了神经网络方法在以查询为中心的自动文摘 (QFS) 中的应用，涉及了两种分类：抽取式 - 生成式和端到端模型，并提出了两种模型扩展。这些方法在 QMSum 数据集上实现了最先进的性能，并通过人类评估实现了更全面和基于事实的自动 - EMNLP使用远程监督的证据检索，无需证据标记即可实现问答
本研究探讨使用仅通过回答标签的远程监督来训练模型，从大规模语料库中学习寻找证据的能力，提出了一种新的方法（DistDR），该方法在多跳和单跳问答基准测试中与全监督的最先进方法不相上下。